Comece com um segmento de clientes que compraram antes, estão além do ciclo esperado de recompra e podem receber comunicação. Use IA para testar quem abordar, quando e com qual conteúdo; mantenha elegibilidade, limites de contato e aprovação de ofertas em regras verificáveis. Compare o novo fluxo com o processo atual e, quando viável, com um grupo sem a ação de reativação. O resultado que justifica escalar é margem incremental após custos, não quantidade de mensagens nem faturamento atribuído ao e-mail.
Escolha um problema de recompra, não toda a base inativa
Um cliente que compra ração mensalmente não tem o mesmo ciclo de quem comprou um eletrodoméstico. Antes de contratar tecnologia, escolha uma categoria com recompra plausível, identifique pedidos concluídos e devolvidos e descubra se a queda vem de atraso, falta de estoque, atendimento ou perda de interesse. Um modelo não conserta entrega ruim. Se a identidade do cliente está fragmentada entre loja e e-commerce, resolver essa lacuna pode ser o primeiro projeto.
A ficha de decisão: público, motivo, ação e prova
- Público elegível: compradores anteriores, ciclo de recompra por categoria e permissão de contato; excluir compra recente, reclamação aberta e campanhas conflitantes.
- Motivo provável: atraso de reposição, dúvida de uso ou interesse em categoria; separar fato registrado de hipótese do modelo.
- Ação autorizada: lembrete útil, conteúdo de uso, ajuda humana ou sugestão disponível; incentivo só com regra de margem e aprovação.
- Prova de valor: margem por cliente elegível, janela de observação, grupo comparável, custos e responsável pela decisão de continuar.
Essa ficha é uma ferramenta de trabalho proposta pela MAKINAI, não um ranking de maturidade. Para cada campo, registre de onde vem a informação e quem pode alterá-la. Não use inferências sensíveis, nem deixe o modelo criar fatos sobre a situação pessoal do cliente. Se não há dado confiável para explicar uma abordagem, prefira uma mensagem genérica pertinente ou não envie.
O que fica nas regras e o que pode usar IA
Regras simples resolvem exclusões, horários, limite de frequência, interrupção após compra e fila de atendimento. Um modelo preditivo pode estimar o momento de recompra; IA generativa pode preparar variações a partir de conteúdo aprovado. Nenhuma precisa decidir desconto de forma autônoma. A documentação da Klaviyo descreve previsão de próxima compra baseada no histórico individual e da base, com requisitos de dados. Isso estima comportamento, não prova quem comprará por causa da mensagem.
Compare três opções: configurar um fluxo por regras no CRM existente, usar uma previsão nativa já disponível ou desenvolver um modelo específico. A primeira é mais simples de auditar; a segunda reduz trabalho técnico, mas depende dos dados e limites do produto; a terceira só faz sentido se resolver uma necessidade que as anteriores não atendem e houver capacidade para operar. Não troque de CRM apenas para fazer esse teste.
Um exemplo sem cupom automático
Exemplo hipotético: uma marca de cuidados pessoais separa compradores de um produto de reposição que ultrapassaram seu intervalo habitual. O fluxo verifica estoque e atendimento, prepara um lembrete com orientações de uso aprovadas e envia ao canal permitido. Uma compra encerra a sequência; uma resposta com problema segue para uma pessoa. Só um teste separado, com margem e regras próprias, avalia se um incentivo é necessário. Não há cliente real nem resultado observado por trás deste exemplo.
O escopo que vale contratar
- Diagnóstico: uma categoria, um país, um canal, dados disponíveis e linha de base de recompra.
- Implementação: identidade do cliente, pedidos e devoluções, catálogo, exclusões, fluxo de mensagem e registro das decisões.
- Avaliação: conteúdo aprovado, casos de teste, divisão experimental persistente e reconciliação com pedidos.
- Operação: dono do fluxo, monitoramento, fila de exceções, interrupção e documentação para a equipe interna.
CRM define jornada e conteúdo; dados ou TI responde por identidade e integrações; atendimento recebe exceções; finanças valida margem. Nomeie uma pessoa responsável pelo fluxo completo. Antes do envio, teste recompra durante a sequência, descadastro, pedido duplicado, produto indisponível e falha de sincronização. A documentação da HubSpot exemplifica testes de inscrição e caminhos; essa verificação operacional não substitui o experimento comercial. Comece com uma pequena operação supervisionada, ampliando apenas após conferir os registros.
Separe efeito da campanha e efeito da IA
Se o volume permitir, sorteie clientes elegíveis entre três grupos estáveis: sem a nova ação, fluxo atual por regras e fluxo com IA. Preserve mensagens transacionais e atendimento em todos. A comparação com o grupo sem ação estima o efeito da reativação; comparar regras com IA indica o valor adicional da IA. Se só couberem dois grupos, escolha qual pergunta responder primeiro. Mantenha outras comunicações comparáveis, registre sobreposições e não retire da análise clientes que não abriram o e-mail.
Klaviyo documenta holdouts globais, mas o recurso exige pelo menos 400 mil perfis e afeta o programa de comunicação, não apenas este fluxo. Empresas menores devem verificar se sua ferramenta permite um teste localizado com alocação e supressão confiáveis. O tamanho necessário depende de conversão de base, variabilidade e efeito mínimo relevante: a ficha não estabelece um número universal. Defina a janela pelo ciclo de compra e devolução; uma semana raramente responde a uma recompra trimestral.
Quanto investir: faça a conta de trás para frente
Calcule a diferença de margem média por cliente elegível entre os grupos e multiplique pela população comparável. Depois desconte custos adicionais de mensagem, modelo, operação e a parcela acordada do investimento. A margem deve considerar devoluções, descontos e custos variáveis uma única vez. Não some receita atribuída pelo CRM à receita incremental do experimento: são leituras diferentes das mesmas vendas.
Exemplo puramente ilustrativo: a margem por elegível é R$ 18 no fluxo novo e R$ 16 no atual. Em 2.000 elegíveis comparáveis, a diferença equivale a R$ 4.000 antes de R$ 1.500 de custos adicionais, restando R$ 2.500. Isso ainda não demonstra significância estatística nem paga automaticamente a implementação. Se houver incerteza ampla ou efeito negativo, não extrapole para toda a base.
Os custos mais relevantes costumam estar na conexão e limpeza dos dados, licenças incrementais, construção dos fluxos, conteúdo, revisão e monitoramento. Peça esses itens separados, com limites de volume e responsável pelo suporte. No Brasil, diferencie pedidos de loja e e-commerce, calendário promocional, estoque regional e custo de frete. Se WhatsApp entrar no escopo, trate permissões, regras do canal e custo por interação antes de programar o fluxo.
Uma conversa útil antes de começar
Revise a prontidão dos dados em https://makinai.co/insights/pt/avaliar-prontidao-dados-antes-contratar-empresa-ia e a lógica de retorno em https://makinai.co/insights/pt/avaliar-roi-business-case-consultoria-ia-antes-contratar. Se o problema ainda está na entrada de novos contatos, veja https://makinai.co/insights/pt/ia-qualificacao-passagem-leads-marketing-vendas. A consultoria de CRM da MAKINAI conecta jornada, dados e implementação: https://makinai.co/services/pt/consultoria-crm-ecommerce-commerce. Traga uma categoria, seu fluxo atual e uma amostra anonimizada dos motivos de inatividade. Podemos discutir se o próximo passo é uma regra melhor, uma integração ou um teste de IA.
As fontes abaixo sustentam capacidades e cuidados específicos, não prometem aumento de vendas. O perfil de IA generativa do NIST orienta a revisão de riscos de conteúdo; não certifica o fluxo. Exemplos, ficha e desenho de projeto são recomendações editoriais da MAKINAI.