Depoimentos reais de gestores e equipes técnicas que trabalharam conosco.
Contratamos a Insight AI Bridge para criar um modelo de previsão de demanda para 1.200 SKUs. Em 7 semanas, o modelo estava rodando em produção. A ruptura de estoque caiu 34% no primeiro trimestre de uso. O que mais me surpreendeu foi a qualidade da documentação: nossa equipe interna conseguiu assumir o retreino sem ajuda externa.
Precisávamos automatizar a triagem de 800 tickets de suporte por dia. A equipe da Insight AI Bridge integrou um classificador ao nosso Zendesk em 4 semanas. O tempo médio de primeira resposta caiu de 6 horas para 47 minutos, porque os tickets já chegam ao agente certo. O investimento se pagou em menos de 3 meses.
Fizemos o diagnóstico de dados de 2 semanas. O relatório apontou que 40% dos campos do nosso CRM estavam vazios ou inconsistentes. Não era um problema de IA, era um problema de processo. A equipe nos ajudou a redesenhar os formulários de cadastro e a criar regras de validação. Só depois disso partimos para o modelo de propensão de compra, que ficou pronto em 6 semanas.
Participei do bootcamp de 40 horas de machine learning aplicado. O instrutor usou dados reais (anonimizados) da nossa base para os exercícios, o que fez toda a diferença. Saí do curso conseguindo treinar e avaliar modelos simples em Python. Três meses depois, criei sozinho um classificador de leads que o time comercial usa diariamente.
Dois projetos recentes com detalhes sobre o desafio, a solução e os resultados obtidos.
A Distribuidora Vale Verde opera 3 centros de distribuição no Centro-Oeste e gerencia mais de 2.000 SKUs. O problema: excesso de estoque em itens de baixa rotação e falta de produtos populares nos fins de semana.
Treinamos um modelo XGBoost com 18 meses de dados de vendas, cruzando com calendário de feriados regionais e dados meteorológicos. O modelo gera previsões diárias por SKU e por CD, atualizadas toda madrugada via pipeline automatizado na AWS.
Resultados após 4 meses de operação:
-34% ruptura -18% estoque médio MAE de 6,2 unidades
A TeleCom Planalto recebia cerca de 800 tickets por dia no Zendesk, distribuídos manualmente por uma equipe de 4 pessoas. Erros de classificação geravam roteamento incorreto em 22% dos casos, aumentando o tempo de resolução.
Construímos um classificador de texto (fine-tuned BERT em português) que categoriza cada ticket em uma de 14 filas de atendimento. O modelo foi integrado ao Zendesk via webhook e processa cada ticket em menos de 2 segundos.
Resultados após 3 meses:
93% de acurácia -72% tempo de triagem 2 colaboradores realocadosTrabalhamos com empresas de diferentes portes e segmentos. Abaixo, alguns dos setores onde acumulamos experiência em projetos de Artificial Intelligence.