Estratégias de ativação de clientes no pós-venda orientadas por dados no setor automotivo

Desafio

No setor automotivo, marcado pela forte concorrência e por produtos de alto valor agregado, a fidelização de clientes desempenha um papel decisivo para o sucesso de longo prazo. Nesse contexto, ofertas personalizadas e campanhas direcionadas tornam-se ferramentas essenciais, mas sua aplicação em escala é difícil de realizar de forma manual.

Ao mesmo tempo, a inovação tecnológica está transformando a maneira como as empresas operam. A Inteligência Artificial (IA) surgiu como uma ferramenta poderosa para acelerar processos e gerar insights que antes eram difíceis de obter. Embora não substitua a expertise nem o papel consultivo dos vendedores, a IA adiciona uma valiosa camada de inteligência ao identificar padrões complexos de comportamento dos clientes e apoiar uma tomada de decisão mais rápida e orientada por dados. No entanto, essa inteligência exige mais do que bons modelos: requer plataformas capazes de conectar a ciência de dados às áreas de negócio.

Abordagem

O projeto teve como objetivo responder a duas questões críticas: quais clientes com revisões anuais agendadas têm maior probabilidade de trocar seu veículo por um novo e quais apresentam maior risco de deixar de realizar as manutenções programadas da marca.

Antes do desenvolvimento dos modelos analíticos, foi essencial realizar um mapeamento detalhado dos dados disponíveis e um alinhamento aprofundado com o cliente. Para identificar potenciais compradores de um novo veículo, variáveis como idade do veículo, quilometragem e histórico de compras dos clientes tiveram papel central. Já para a identificação do risco de evasão, a análise concentrou-se nos intervalos entre manutenções, nos padrões de adesão ao programa e na antiguidade do veículo. Essa etapa foi fundamental para garantir que a metodologia analítica fosse não apenas tecnicamente robusta, mas também alinhada ao contexto de negócio.

Uma das primeiras considerações foi a própria natureza do setor automotivo. Diferentemente de outros segmentos, em que os produtos são substituídos com frequência, os veículos são bens de alto valor e de vida útil média a longa. Isso torna a decisão de troca mais complexa, envolvendo fatores financeiros, emocionais e relacionados ao estilo de vida. Como consequência, prever esse comportamento exige uma abordagem específica, já que os sinais emitidos pelos clientes são menos frequentes e, muitas vezes, mais sutis do que em setores com ciclos de produto mais curtos. Compreender essa particularidade foi essencial para definir a estratégia analítica.

Em paralelo, foi necessário estabelecer, em conjunto com a empresa, o que caracterizava um cliente em risco de evasão no contexto dos serviços de pós-venda. Diferentemente de modelos de negócio baseados em assinaturas, nos quais a evasão é facilmente identificada, nesse caso ela corresponde aos clientes que deixam de cumprir o plano de manutenção recomendado pela marca.

Solução

A solução proposta foi estruturada em duas frentes analíticas principais, cada uma voltada para um desafio específico da área de pós-venda.

A primeira frente concentrou-se no desenvolvimento de um modelo preditivo capaz de aprender com casos históricos em que clientes decidiram trocar seus veículos. Utilizando uma abordagem tradicional de Machine Learning, o modelo analisou o comportamento passado dos clientes e identificou padrões que indicam maior probabilidade de substituição do veículo. Além de identificar os clientes com maior propensão à troca, foi desenvolvido um modelo complementar para recomendar qual novo veículo deveria ser ofertado a cada cliente, aumentando a probabilidade de conversão.

Para potencializar ainda mais a atuação da equipe comercial, esses insights foram enriquecidos com IA Generativa. Com base nos resultados preditivos, a GenAI passou a gerar roteiros de vendas personalizados, incluindo a justificativa para abordar cada cliente e uma demonstração clara da economia que poderia ser obtida no médio prazo com o veículo recomendado. Esses cálculos de economia forneceram aos consultores de vendas argumentos personalizados e mais persuasivos para conduzir suas interações com os clientes.

A segunda frente contemplou o desenvolvimento de um modelo dedicado à identificação dos clientes com maior probabilidade de abandonar ou deixar de cumprir o plano de manutenção. O modelo incorporou um amplo conjunto de variáveis, incluindo histórico de serviços, padrões de utilização do veículo e fatores contextuais, como a proximidade do cliente em relação ao centro de serviços. Além disso, analisou os possíveis motivos para a não adesão ao plano de manutenção, como insatisfação, percepção de custos, desafios logísticos e, principalmente, a probabilidade de troca do veículo. Os clientes identificados com alto risco de evasão devido a uma possível substituição do veículo eram sinalizados e encaminhados para a equipe comercial, permitindo que esses insights alimentassem a primeira frente analítica. Essa integração garantiu o alinhamento entre as estratégias de retenção no pós-venda e de renovação da frota, promovendo uma abordagem mais abrangente e proativa no relacionamento com os clientes.

Em conjunto, essas duas frentes deram origem a uma solução completa, combinando Analytics Preditivo e IA Generativa para fornecer às equipes de vendas e pós-venda insights acionáveis que permitissem abordar os clientes de forma proativa, fortalecer a fidelização e gerar novas oportunidades de receita. Além de ampliar a atuação da equipe comercial com insights gerados por IA, a estratégia também direcionou seus esforços para os casos de maior potencial. Antes da implementação, a equipe concentrava suas ações em segmentos amplos de clientes definidos por regras de negócio simples, uma abordagem que frequentemente resultava em menores taxas de conversão e em um aumento da insatisfação dos clientes.

Para acelerar a adoção da solução e garantir um acesso simples por parte do cliente, ambas as frentes foram integradas ao AIR, uma plataforma hospedada na infraestrutura da LTPlabs. O AIR possibilitou:

• Gestão completa dos modelos, incluindo acesso aos resultados de forma simples e intuitiva, além da execução de previsões sob demanda;
• Integração self-service, com pouca ou nenhuma necessidade de configuração, fator essencial para viabilizar a execução antecipada dos projetos-piloto, permitindo que as equipes do cliente validassem os resultados dos modelos desde as fases iniciais e fornecessem feedback contínuo;
• Acesso via navegador, possibilitando que as equipes consultassem os insights por meio de uma interface web simples, sem barreiras técnicas ou necessidade de instalação;
• Implantação escalável, permitindo a execução sob demanda de modelos de maior complexidade em uma infraestrutura confiável, suportando o uso diário e a experimentação durante a fase piloto.

Resultados

Foram conduzidos projetos-piloto para ambas as frentes em um número limitado de centros de serviço.

Na primeira frente, voltada para a previsão de troca de veículos, o piloto resultou em duas vendas confirmadas e em diversas propostas enviadas a clientes previamente identificados pelo modelo. Além da geração imediata de receita, o projeto fortaleceu o relacionamento entre os consultores de vendas e os clientes, criando uma base para futuras oportunidades de negócio.

Na segunda frente, dedicada à previsão da adesão ao plano de manutenção e ao risco de evasão, o modelo foi desenvolvido para minimizar a ocorrência de falsos negativos. O resultado foi uma taxa de erro de apenas 10%, sendo a maior parte composta por falsos positivos. Esse foi um compromisso considerado adequado, já que o custo de deixar de identificar um cliente com risco real de evasão é significativamente maior do que abordar um cliente que, na prática, não apresentava esse risco.

A flexibilidade proporcionada pela implementação por meio do AIR permitiu que o cliente não precisasse aguardar a entrada em produção completa nem a integração com sistemas legados. A plataforma atuou como uma ponte entre Analytics Avançado e a execução prática das estratégias de negócio.