Com o Projeto Aurora, a Vero uniu modelagem preditiva e hiperpersonalização para transformar a forma como rentabiliza sua base de clientes: com estratégias precisas de up-sell, taxas de conversão otimizadas e um crescimento de receita totalmente sustentável.
A Vero enfrentava o desafio de não possuir capacidade de analisar a sua base de clientes em tempo real para personalizar as ofertas de produtos. As recomendações eram atualizadas apenas uma vez ao mês, o que acabava gerando um desalinhamento entre a oferta recomendada e as necessidades reais do cliente. Havia dificuldade na compreensão precisa dos comportamentos e preferências, resultando em ofertas que não eram granulares, e a operação lidava com uma base volumosa e fragmentada em diferentes CRMs (Adapter, Simetra e NG), englobando mais de 1,2 milhão de clientes.
A MadeinWeb, em parceria com a AWS, desenvolveu o Projeto Aurora, um modelo preditivo de recomendação de ofertas (best offer) focado em gerar valor e rentabilizar a base de usuários da Vero. A solução foi fundamentada em um modelo supervisionado de regressão (CatBoost), treinado sobre perfis comportamentais e variáveis de contrato, incluindo faixas de velocidade de internet, tiers de TV, quantidade de chips, valor contratual e geografia.
A clusterização da base foi utilizada como etapa exploratória para entendimento de segmentos, enquanto o modelo preditivo gera a recomendação personalizada de oferta para cada cliente.
A ingestão e integração dos dados das três origens (Adapter, Simetra e NG) foi automatizada com AWS Glue, com datasets governados armazenados em Amazon S3. O pipeline de ML é orquestrado por Amazon SageMaker Pipelines, que coordena processamento, treinamento, validação e registro de modelos.
As features são gerenciadas no Amazon SageMaker Feature Store, garantindo consistência entre treinamento e inferência. Cada modelo candidato é versionado no SageMaker Model Registry com métricas de validação anexadas, e a inferência batch é executada via SageMaker Batch Transform.
O monitoramento de drift e qualidade preditiva é realizado pelo Amazon SageMaker Model Monitor, com alertas operacionais via Amazon CloudWatch. Consultas analíticas sobre resultados e campanhas utilizam Amazon Athena.
O modelo uniu resultados analíticos ao cardápio de planos atualizados, permitindo recomendações granulares dentro da mesma faixa de valor de contrato do utilizador. O projeto piloto foi executado com foco geográfico em bases de clientes de Brasília, São Paulo, Minas Gerais, Paraná, Rio Grande do Sul e Santa Catarina.
A execução estratégica envolveu disparos personalizados via mensageria (WhatsApp) para ofertas de up-sell, como a migração de clientes “Naked” para pacotes com produtos Móveis ou SDP. Para assegurar um processo de aceite rápido e eficiente, a equipe monitorou rigorosamente todas as etapas da régua de comunicação, avaliando indicadores como disparos, entregas, visualizações, aceites, conversão final e delta de ticket médio.
“O resultado do piloto demonstrou que uma abordagem assertiva, construída a partir do treinamento de máquina e da aplicação de algoritmos sobre a base de clientes, quando combinada a atributos de produto adequados — velocidade, móvel ou SDP — e a um delta de ticket médio sem degraus relevantes de variação de preço, gera maior efetividade na taxa de aceitação das ofertas.”
— Maysa Santos - especialista em inovação na Vero“O projeto mostrou que, quando combinamos dados, inteligência artificial e uma abordagem estruturada de inovação aberta, é possível aumentar significativamente a precisão das ofertas comerciais e capturar resultados concretos de receita e rentabilização.”
— Maximiliano Carlomagno - sócio da Innoscience
A Amazon Web Services (AWS) é a plataforma de nuvem mais adotada e mais abrangente do mundo, oferecendo mais de 200 serviços completos de datacenters em todo o mundo. Milhões de clientes, incluindo as startups que crescem mais rápido, as maiores empresas e os maiores órgãos governamentais, estão usando a AWS para reduzir custos, ganhar agilidade e inovar mais rapidamente.
Com agentes de IA aplicados ao ciclo de desenvolvimento, a DM economizou 337 horas, elevou em mais de 40% a produtividade de Produto e Qualidade e padronizou entregas em poucos meses.
A ONR criou a IARI, plataforma de IA generativa que automatiza a extração e padronização de dados de matrículas em cartórios de imóveis, com previsão de chegar a mais de 3 mil cartórios.
Tenda automatiza a geração de contratos e elimina 90% do processo manual
Utilizamos cookies para melhorar sua experiência em nosso site. Cookies essenciais são necessários para o funcionamento do site. Você pode gerenciar suas preferências ou aceitar todos os cookies. Saiba mais
