O portal tinha espaço para crescer. A execução ainda não acompanhava
A liderança já tinha clareza sobre o papel estratégico do portal B2B. O ponto de bloqueio estava na capacidade de transformar essa visão em uma entrega concreta.
Tentativas anteriores de criar uma lógica de pedido sugerido já existiam, mas acumulavam mais de seis meses sem geração mensurável de resultado. O custo desse atraso não aparecia apenas em horas consumidas. Aparecia na perda de uma funcionalidade que poderia elevar a relevância do canal, destravar receita e sustentar a ambição digital da operação.
O ambiente também exigia cuidado técnico. Havia mais de 3 milhões de notas fiscais, mais de 10 mil clientes, portfólios distintos entre marcas e segmentos e um volume relevante de inconsistências de dados que precisava ser tratado antes de qualquer aplicação de IA. Além disso, a recomendação não poderia seguir apenas lógica algorítmica genérica. Precisava respeitar critérios claros definidos pelo negócio.
O risco era direto. Sem uma solução funcional, o portal avançaria em uso sem ganhar musculatura comercial proporcional. E isso enfraqueceria seu papel dentro do ecossistema digital.
Um motor de recomendação guiado por dado e critério comercial
A resposta foi construir um modelo de sugestão com foco em utilidade comercial, não em sofisticação vazia.
A MATH desenhou e implementou o motor de pedido sugerido em 4 meses, usando a base transacional existente como insumo para recomendações diretamente ligadas ao comportamento real dos clientes. O trabalho começou pela preparação dos dados, com tratamento de inconsistências e consolidação das informações de múltiplas marcas e segmentos.
A partir dessa base, o modelo foi estruturado em torno de três lógicas de recomendação. Para clientes novos, a prioridade foi acelerar ativação com produtos mais vendidos por região. Para clientes com comportamento semelhante, o sistema passou a sugerir itens comprados por pares com perfil próximo, mas ainda ausentes no histórico individual. Para clientes recorrentes, a recomendação incorporou padrão de recompra e sugestão de volumes maiores para ampliar ticket médio.
Esse desenho foi importante porque colocou a IA a serviço de uma regra de negócio compreensível. O sistema não opera como caixa preta. Ele é monitorado por métricas de acerto e conversão, com controle pleno sobre dados, lógica e custo.
Outro ponto central foi a viabilidade econômica. O projeto foi executado integralmente dentro das horas já contratadas, sem acréscimo de custo de implementação e sem criar dependência de plataformas externas com cobrança crescente por uso.
O modelo não foi criado para recomendar qualquer coisa. Foi criado para sugerir o que aumenta a chance de pedido dentro da lógica comercial do cliente.
Receita nova, custo estável e portal mais próximo da meta que importa
O primeiro resultado foi financeiro. Entre janeiro e agosto, o motor de pedido sugerido gerou mais de R$ 170 mil em retorno direto. O dado importa porque mostra que a recomendação saiu do campo da hipótese e entrou no campo da venda realizada.
O segundo resultado foi eficiência econômica. A implementação exigiu R$ 0 de custo adicional e foi concluída dentro das horas já contratadas. Isso muda o peso do caso porque prova que o retorno não veio de expansão estrutural. Veio de melhor uso da base, da arquitetura e da inteligência aplicada.
O terceiro resultado foi comercial. A taxa de conversão geral chegou a 1,65%, com 27,6% de relação entre utilização e conversão. Em termos práticos, a cada quatro produtos sugeridos, um foi efetivamente comprado. Isso mostra aderência real da recomendação ao comportamento do cliente dentro do portal.
O quarto resultado foi de validade do modelo. O índice de acerto de 30,15% indica que, mesmo quando a compra não acontece de forma imediata, a recomendação segue próxima do padrão real de consumo da base. Isso sustenta a evolução futura do motor e abre espaço para novos critérios estratégicos, como produtos não comprados há mais de 60 dias, lançamentos e incentivos comerciais.
O efeito combinado é claro: mais receita sem ampliar custo proporcional, com uma arquitetura pronta para seguir evoluindo.
