A rede de joias que provou a IA num teste cego: 14% viram 34% só com o cliente certo

Uma joalheria de luxo, a John Hardy, fez algo que quase nenhuma rede faz: em vez de mandar oferta pra base inteira e torcer, ela usou um modelo de IA pra prever QUAIS clientes já estavam prontos pra comprar — e depois provou o resultado com um teste cego. Para validar o modelo, a equipe monitorou um grupo de controle — clientes de alta propensão identificados pela Faraday que intencionalmente NÃO receberam um vale-presente; mesmo sem o incentivo, esse grupo converteu a 14%, confirmando que os modelos estavam identificando com precisão os clientes mais engajados. Mas melhor ainda: quando essa mesma audiência de alta propensão recebeu o vale-presente, a conversão saltou para 34%.

Isso é um ganho de 20 pontos de conversão — e, mais importante, é a prova de que a IA não estava "inventando" oportunidade. Ela achou gente que já ia comprar, e a oferta apenas empurrou. Guarde esse detalhe, porque é ele que separa quem usa IA de verdade de quem só gasta com desconto.

Como funciona a técnica por trás

O que a John Hardy usou se chama modelo de propensão (propensity model). O modelo aprende estudando exemplos — clientes que fizeram o que você quer e clientes que não fizeram — e identifica os padrões que distinguem os dois grupos. Depois ele aplica esses padrões pro resto da sua base e dá pra cada pessoa uma nota de probabilidade de comprar.

O que torna isso potente não é só o seu dado. Na Faraday, os modelos de propensão são treinados tanto nos seus resultados de primeira mão (first-party) quanto no Faraday Identity Graph — mais de 1.400 pontos de dados verificados de consumidor cobrindo 240 milhões de adultos nos EUA — o que dá ao modelo muito mais sinal do que o dado próprio sozinho. Na prática: o sistema cruza QUEM comprou de você com QUEM aquela pessoa é no mundo real (renda, casa própria, estilo de vida) pra achar os gêmeos que ainda não compraram.

Tecnicamente, a plataforma usa ensembles de árvores com gradient boosting (GBT), uma técnica poderosa de machine learning, pra construir e ajustar automaticamente centenas de modelos pra cada objetivo. Você não precisa de PhD: a Faraday tipicamente precisa de algumas centenas de exemplos históricos do resultado que você quer prever — clientes que converteram e clientes que não.

E a John Hardy foi além da nota: ela integrou dados de eventos de vida aos fluxos de clienteling, dando ao time de vendas remoto um motivo natural e embasado em dados pra fazer contato — algo que soa pessoal, não promocional. É a diferença entre "temos promoção" e "vi que faz aniversário semana que vem".

O que você vai precisar

• Sua base de clientes com histórico de compra — nome, contato e quem comprou o quê e quando (é o que treina o modelo).
• Dado unificado loja + online no MESMO cliente — sem isso a IA fica cega pra metade da jornada.
• Uma plataforma de propensão no-code (ex.: Faraday) ou seu CRM com módulo preditivo.
• Um vendedor ou gerente pra executar o contato — a IA aponta o alvo; a venda ainda é humana.

Passo a passo pra aplicar na sua empresa

1. Unifique o cadastro do cliente (menos de 1 hora). Junte compra de loja e compra online sob o mesmo perfil no seu CRM ou planilha — mesmo que manualmente, comece pelos top 200 clientes. Isso porque a John Hardy teve 23% de aumento em campanhas justamente por ter dado limpo e unificado, enquanto redes que mantêm cadastros separados de loja e online não conseguem ver o histórico completo nem o valor de vida do cliente.
2. Defina UM comportamento pra prever. Escolha algo concreto: "quem vai fazer a próxima compra nos próximos 60 dias". Você precisa de exemplos dos dois lados — quem comprou e quem não — porque é assim que o modelo aprende o padrão que separa os grupos.
3. Rode o modelo de propensão e pegue os 10-20% de maior nota. Numa ferramenta no-code você descreve o resultado e ela devolve a lista pontuada. Objetivos prontos incluem probabilidade de converter, propensão a churn, probabilidade de recompra, valor de vida previsto (LTV) e encaixe de persona. Resultado esperado: uma lista curta de quem realmente vale abordar.
4. Separe um grupo de controle ANTES de disparar. Tire ~10-15% da lista de alta propensão e NÃO mande a oferta pra eles. Esse é o teste que a John Hardy usou pra provar que a IA acertou o alvo (14% converteram sozinhos) e que a oferta somou (os que receberam foram a 34%). Sem esse holdout, você nunca sabe se pagou desconto pra quem já ia comprar de graça.
5. Entregue o alvo pro vendedor com um "gancho" humano. Passe a lista pro gerente de cada loja com o motivo do contato (aniversário, recompra provável, categoria que a pessoa andou olhando). A John Hardy achou esse contato um-a-um, viabilizado pelo modelo e segmentação, muito mais bem-sucedido que o método de "batch and blast" de clienteling que usava antes.
6. Meça o gap e só então escale. Compare conversão do grupo que recebeu vs. o controle. Se a diferença for real (como os 20 pontos da John Hardy), replique pra próxima loja e a próxima. Se não for, você economizou o desconto da rede inteira.

O que muda na operação

Na prática, sua rede para de "atirar pra todo lado". Em vez de mandar 10 mil e-mails iguais e dar desconto pra quem já ia comprar, você manda a oferta certa pra quem move o ponteiro — e reserva incentivo só onde ele muda a decisão. Isso é o oposto do hype: é margem preservada e vendedor gastando tempo com quem tem chance real.

"Achamos esse contato um-a-um, viabilizado pelo modelo e segmentação da Optimove, muito mais bem-sucedido do que o método de 'batch and blast' de clienteling que usávamos antes."

— Malpass, John Hardy (via estudo de caso Optimove)

Vale o alerta de quem vende essa tecnologia: o AI dispara um sinal em tempo real, mas o time de vendas ainda opera em ciclo semanal — o sinal dispara e a organização não se mexe. Ou seja: o modelo só rende se o gerente da loja receber a lista e AGIR na hora. A IA aponta; sua equipe fecha.

Comece pequeno esta semana: unifique os 200 melhores clientes, defina um comportamento pra prever e separe um grupo de controle antes do primeiro disparo. Em uma campanha você já sabe, com número na mão, se vale escalar pra rede toda — sem apostar no escuro.