Case Grupo Boticário - AI Product Builder

Case: Grupo Boticário - AI Product Builder - Como gerar valor com produtos de IA

Apresentando a palestrante e objetivos

Olá, muito prazer, eu sou a Stephanie Fischer. Hoje, eu lidero alguns times de produto e engenharia no Grupo Boticário, nas áreas de produtos digitais, inteligência comercial e NAI.

Nossa conversa de hoje é compartilhar um pouco sobre o que é, como estamos gerando valor com produtos de IA e o que aprendemos na construção desse tipo de iniciativa. Muitas vezes nos deixamos encantar pela capacidade de um LLM (Modelo de Linguagem Grande) ou pelo hype (excesso de expectativa) do mercado e esquecemos que, ao final do dia, a IA é um instrumento para validar um problema de negócio e, por consequência, precisamos gerar impacto real.

Apresentando o case e contextualizando o problema

Neste vídeo, vamos apresentar um case (caso) real de qualificação de leads (contatos potenciais) no WhatsApp. Se você busca otimizar a eficiência da sua operação comercial, garantindo que as pessoas clientes recebam suporte ágil desde o primeiro contato, este vídeo é para você.

Imaginemos este cenário: todo lead (contato potencial) captado ia direto para um atendimento humano, sem filtro e sem critério de prioridade. O problema não era o tamanho da fila, mas o fato de que ninguém sabia qual parte da fila realmente valia a pena. Tínhamos poucas informações sobre esse lead (contato potencial), o que gerava um sentimento de espera muito alto para nossas pessoas consumidoras. O custo também ficava elevado para os dois lados: o lead (contato potencial) aguardava e acabava esfriando; e, do lado da empresa, profissionais com alta qualificação dedicavam tempo às etapas iniciais de triagem que poderiam ser potencializadas por IA, liberando esse tempo para realmente investirmos em conexões estratégicas e de maior valor humano.

Testando abordagens iniciais e formulando a hipótese

Antes de pensarmos em uma solução de IA, testamos diversos formatos — forms (formulários), chatbot (robô de atendimento) de árvore de decisão —, mas nada resolvia a complexidade da conversa humana e isso acabava gerando bounce (abandono) nas etapas de filtro, quando inserimos etapas demais antes de uma conversa de qualificação. Aqui entrou nossa hipótese. No final das contas, se você não consegue escrever sua hipótese sem usar a palavra IA, você não tem uma hipótese; você tem vontade de usar uma tecnologia.

Nossa hipótese inicial foi: se tivermos um agente que aquece e qualifica o lead (contato potencial), e a transferência para o atendimento humano só acontecer quando houver um sinal claro de intenção de pedido — que era nosso objetivo nesta jornada —, então a conversão do atendimento humano aumenta, porque agilizamos as respostas e posicionamos nosso time comercial com leads (contatos potenciais) que valem a pena.

Enquadrando a IA como meio e estruturando a experimentação

Percebemos que a IA é o meio; o resultado final esperado é o aumento da conversão. Por isso, optamos por começar mapeando alguns riscos para orientar o trabalho de criação. Realizamos um hackathon (maratona de inovação) com o time para criar esse agente. Escolhemos esse modelo de trabalho porque o time estava inseguro em assumir riscos utilizando IA em uma jornada que vai direto para as pessoas consumidoras. A forma como observamos esse tipo de produto é menos direta: colocar um agente para rodar é fácil; o difícil é garantir que ele está fazendo o que deveria.

Diferentemente de um sistema tradicional, que é determinístico, a IA é probabilística. A mesma pergunta pode gerar respostas muito diferentes, o que torna o erro muito mais difícil de perceber.

Mapeando riscos críticos do agente

Mapeamos quatro riscos críticos no início deste projeto. O primeiro é a alucinação: quando o agente inventa uma informação e demonstra absoluta confiança de que aquilo é correto. Por exemplo, ele pode inventar o nome de um produto que não existe, o que é crítico. Além disso, havia a preocupação com o tom de voz. O agente pode até estar tecnicamente correto, mas, se for frio ou agressivo, pode espantar a pessoa cliente, tornar o atendimento robotizado e impactar negativamente a conversão.

Outro ponto importante foram as ferramentas que iríamos usar nessa jornada — as tools (ferramentas) — que são integrações utilizadas para tornar o agente mais inteligente e personalizado. Às vezes, o agente pode agir de forma incorreta: pode transferir o lead (contato) cedo demais para o atendimento humano, acionar uma ferramenta de modo errado e, assim, comprometer a experiência da pessoa usuária.

Mapeamos também o risco relacionado a métricas — um erro muito caro — que é convergirmos para qual métrica vamos medir para gerar e materializar valor para o negócio. Por exemplo, medir o volume de mensagens transacionadas pode facilmente se tornar uma métrica de vaidade. No final, o que importava para nós era a intenção de compra realizada, mesmo que não fosse concluída pela IA; a IA atua aqui como facilitadora.

Validando hipóteses com iteração manual e operando pilotos

Quanto aos aprendizados da jornada, não tínhamos ainda um arcabouço técnico pronto. Construímos a validação dessa hipótese em ordem inversa: iniciamos por um fluxo altamente manual e, posteriormente, refinamos a inteligência do agente. Costumamos dizer ao nosso time que “o feito é melhor que o perfeito”; a ideia foi testar rapidamente essa hipótese para aprender, capturar valor e, depois, escalar.

No D0, no primeiro degrau desse teste, realizamos uma grande validação e homologação: reunimos 10 pessoas do time testando em tempo real, estressando os agentes e identificando erros grosseiros que apareciam, refinando o prompt (instrução) e os guardrails (regras de proteção) do agente. Dedicamos um dia inteiro a esses testes.

Em seguida, ao avançarmos para um ambiente de produção, com amostragem controlada, adotamos uma tecnologia simples de controle: uma planilha. Tínhamos uma pessoa do time lendo todas as conversas durante o piloto — cerca de 100 conversas por dia. Pode parecer um procedimento atrasado diante das ferramentas técnicas atuais, mas foi uma etapa muito importante, pois nos permitiu aprender e criar nosso próprio método de avaliação da qualidade dos agentes. A partir dessa leitura manual, sistematizamos um processo de gestão da qualidade.

Automatizando a avaliação e institucionalizando melhorias

Quando passamos a executar o TA com as hipóteses e as métricas dadas e o respectivo check (verificação), construímos um agente validador para analisar de forma mais automática todas essas interações. Utilizamos a própria IA para aplicar os critérios que havíamos criado manualmente na planilha, ajudando a escalar a avaliação e a gerar aprendizados.

Por fim, criamos um método de trabalho no qual todo erro ou interação passível de melhoria se torna um caso de teste permanente. É fundamental entendermos o prompt (instrução) como um processo de interação e melhoria contínua; isso garante que o ajuste que fazemos hoje para corrigir o tom de voz não comprometa a qualificação do que já funcionava anteriormente. Sistematizamos esse fluxo de aprendizado contínuo.

Apresentando resultados e encerrando a sessão

Para fechar, vamos apresentar os resultados que obtivemos. Comparamos o fluxo tradicional, no qual os leads (contatos) captados iam direto para o atendimento humano, com o fluxo em que passavam pelo agente e só depois iam para o atendimento humano mediante sinalização de pedido. Observamos aumento relevante da taxa de conversão quando o lead (contato) passava por esse fluxo híbrido de IA mais humanos. Atualmente, 95% dos leads (contatos) que capturamos nessa jornada passam por esse fluxo de agentes e, nas últimas três vezes, registramos aumento de 1 ponto percentual na conversão ao comparar o fluxo tradicional com a nova jornada. Quando olhamos 1 ponto percentual, pode parecer pouco, mas estamos falando de uma estrutura de captação de milhões de leads (contatos) ao ano, o que torna esse ganho bastante representativo.

Além disso, a experiência das pessoas usuárias melhorou, com redução de 80% no tempo de espera para receber resposta. Isso também se evidenciou na conversão de pedidos no mesmo dia em que o lead (contato) era capturado, que aumentou em 4 pontos percentuais após o novo formato de qualificação.

Obrigada por me acompanhar até aqui. Nós nos vemos no próximo vídeo, no qual eu vou demonstrar um pouco dessa jornada para você conseguir materializar tudo o que apresentamos até aqui. Até mais!

Case: Grupo Boticário - AI Product Builder - Mão na massa

Contextualizando a qualificação de leads com IA

Olá. Agora que você já conhece a teoria que nos levou à hipótese de qualificação de leads (contatos potenciais) com IA, vamos mostrar como esse fluxo funciona na prática.

É importante contextualizar que esse fluxo de qualificação de leads está vinculado ao processo de captação de pessoas revendedoras do canal de venda direta do Grupo Boticário, que é o canal de revenda porta a porta da nossa estrutura.

Na jornada tradicional, temos uma área de mídia que desenvolve toda a estratégia de ads (anúncios) para capturar esses leads nas redes sociais. A partir do momento em que a pessoa demonstra interesse, ela clica no anúncio e é direcionada para o WhatsApp. No fluxo anterior, essa pessoa era encaminhada diretamente para uma conversa com o atendimento humano. Como nós precisávamos processar algumas informações para iniciar esse contato, havia um atraso de aproximadamente 25 minutos até 4 horas, em casos extremos, para o atendimento humano iniciar a conversa com esse lead. Esse atraso era influenciado pela quantidade de pessoas na fila e pela necessidade de sincronização de algumas informações.

Mostrando a jornada atual no WhatsApp

Agora, vamos mostrar como essa jornada está atualmente, após esse experimento que realizamos.

A partir do momento em que capturamos esse lead e a pessoa demonstra interesse em se tornar pessoa revendedora do grupo, clicando no anúncio, hoje ela é direcionada para a tela do WhatsApp. Iniciamos uma conversa com uma saudação, e o agente responde perguntando se há alguma dúvida ou se já desejamos realizar um cadastro.

Trata-se de um agente de qualificação desse lead, concebido para responder dúvidas iniciais antes de o lead efetivamente preencher dados pessoais e o formulário de cadastro. Aqui perguntamos: gostaríamos de saber como revender. Como é possível observar, o agente responde com as informações iniciais necessárias para que uma pessoa se torne pessoa revendedora do Grupo Boticário.

Se continuarmos essa conversa, poderíamos entrar em um loop (laço) infinito. A ideia desse agente é responder dúvidas iniciais de FAQ (perguntas frequentes). Ainda não há tools (ferramentas) personalizadas, porque ainda não temos informações desse contato, mas já conseguimos responder como é revender no grupo, dúvidas sobre pagamento, como essa pessoa pode captar clientes e operar na venda direta. Mantemos sempre o botão Fazer cadastro, que é o critério de sucesso dessa primeira jornada. Ao qualificar esse lead e engajá-lo, buscamos estimular que a pessoa usuária siga para o cadastro e possamos continuar o atendimento, o que faremos agora.

Abrimos a tela para a pessoa usuária se cadastrar, onde ela vai preencher os campos. Preencheremos com informações simuladas para seguir a jornada de atendimento.

Conduzindo a jornada comercial pós-cadastro

Com o cadastro finalizado, a pessoa usuária recebe uma mensagem confirmando o sucesso da finalização e iniciando uma abordagem mais comercial. Antes do cadastro, há um agente cujo critério de sucesso é a finalização do preenchimento do cadastro. Agora, entramos em uma jornada mais comercial: precisamos estimular esse lead a desejar realizar a sua primeira compra. Assim, a interação e as respostas passam a ter uma abordagem mais voltada à primeira compra — o primeiro pedido, como chamamos. Aqui, o agente já apresenta uma imagem com alguns dos produtos mais vendidos, e solicitamos o catálogo do ciclo.

Esse segundo agente dispõe de mais ferramentas para que possamos personalizar o contato e aumentar a conversão. É a partir das tools (ferramentas) que conferimos um tom personalizado, porque já sabemos de que região esse lead faz parte e qual é a sua origem. Tudo isso influencia o tipo de abordagem que vamos usar aqui. Nesse caso, já acionamos o catálogo da região específica; isso já está integrado ao agente. Assim, o lead pode analisar todo o catálogo de vendas e escolher o melhor produto.

Explorando catálogo, recomendações e transferência para atendimento humano

Catálogo, recomendações e transferência para atendimento humano

Podemos ver que há o catálogo no qual a pessoa usuária pode navegar, conhecer mais nossos produtos e, se desejar, perguntar quais produtos a IA recomenda para o primeiro pedido.

O agente recomenda os favoritos normalmente comprados por esse perfil de público, apresenta argumentos de lucratividade e pergunta à pessoa usuária quais categorias têm maior familiaridade, facilitando a revenda.

A partir desse momento, podemos informar: "Quero fazer meu pedido". Isso acionará nossa tool (ferramenta) de transferência para o atendimento humano. Todo o processo de qualificação do LEAD e de preparação para o pedido é realizado pela IA. Quando o agente e a pessoa usuária identificam, na jornada, que esse LEAD está pronto para iniciar uma conversa de montagem de cesta, transferimos para o atendimento humano. Também realizamos essa transferência em situações nas quais entendemos que a dúvida é muito complexa para o agente responder e que seria mais adequado, para a jornada, que o atendimento humano auxilie no contorno de objeções.

O agente sugere: "Quer seguir por uma jornada direta pelo aplicativo ou falar com um especialista?" Optamos por falar com um especialista. Em seguida, ocorre a transferência e o atendimento passa a ser realizado pela equipe humana.

Compartilhando aprendizados e melhoria contínua

Aprendizados e melhoria contínua

Um grande aprendizado dessa jornada é que construir um agente não é um trabalho pontual. Ainda que a hipótese de valor e de impacto no negócio esteja validada, percebemos que a melhoria contínua do prompt (instrução) e dos agentes é um fluxo constante. Sistematizamos esse aprendizado com testes A/B, como fazemos no nosso processo de discovery (descoberta) de desenvolvimento de produtos tradicional.

Apresentamos um exemplo de como operamos esses testes. Basicamente, criamos hipóteses que validamos ao longo do mês por meio desses experimentos. No exemplo, definimos o prompt (instrução) com contorno de objeções; como se trata de um agente voltado a uma jornada comercial, tornamo-lo mais argumentativo. Além disso, realizamos testes com indicações de produtos diferentes para verificar se isso influencia a conversão. Passamos também a utilizar projeção de lucro para identificar se há mudança no padrão de conversão.

Em conjunto com o atendimento humano, aprendemos com o time comercial. Essa equipe nos ajuda a analisar as conversas dos agentes e a identificar oportunidades de melhoria. Assim, executamos variações de prompt (instrução) e entendemos quais alternativas nos aproximam mais da extração de valor dentro da métrica que, enquanto negócio, queremos impactar.

Apresentando os resultados dos testes A/B

Resultados dos testes A/B

Ao longo de um mês, executamos três testes:

• Teste 1: ganho de 1,26 pontos percentuais na conversão entre a variante A e a variante B.
• Teste 2: ganho superior a 4,6 pontos percentuais na conversão.
• Teste 3: redução de 1,52 ponto percentual na conversão.

A mensagem principal é que o prompt (instrução), a estrutura e a inteligência desses agentes são dinâmicos e exigem um esforço intencional para estabelecermos um processo de melhoria contínua e extrairmos o máximo de valor na jornada que queremos impactar. Não é porque o agente lançado apresentou um resultado positivo que não pode ser aprimorado — sobretudo porque a jornada conversacional é altamente interativa e, por meio de ferramentas de engenharia de contexto, podemos aumentar a inteligência e a personalização de todo o fluxo e da experiência para a pessoa usuária.

Encerrando a apresentação

Encerramento

Foi isso que queríamos compartilhar. Esperamos que os insights aprendidos ao longo dessa caminhada também auxiliem na construção de produtos com IA.

Um abraço, até mais!

Sobre o curso Case Grupo Boticário - AI Product Builder

O curso Case Grupo Boticário - AI Product Builder possui 24 minutos de vídeos, em um total de 5 atividades. Gostou? Conheça nossos outros cursos de IA para Produto & Negócio em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Case: Grupo Boticário - AI Product Builder