Contextualizando …
A Fretebras é a maior plataforma de transporte rodoviário de cargas do Brasil, conectando empresas, frotistas e caminhoneiros autônomos de forma rápida e segura. Facilitamos a oferta e a busca por cargas, ajudando a manter o transporte mais eficiente e competitivo.
Usamos gamificação para incentivar que todo o ciclo do frete, do cadastro à negociação e ao acompanhamento da viagem, aconteça dentro da plataforma. Recompensamos o operador que fecha negócios internamente e o motorista que realiza a viagem pelo app, fortalecendo a experiência e gerando mais valor para todos.
Recentemente, trabalhei em uma entrega da squad Engajamento e Gamificação, com o objetivo de oferecer ao operador, o usuário que utiliza nossa plataforma de fretes para publicar cargas e encontrar motoristas, uma visão clara do seu desempenho no uso do chat. Essa ferramenta, baseada em negociação digital, foi desenvolvida para facilitar a comunicação entre operadores e motoristas, classificando o perfil do operador como Baixa, Média ou Alta Atratividade.
Para calcular essa métrica de atratividade, utilizamos três indicadores principais:
- Velocidade de resposta à primeira mensagem de interesse do motorista;
- Percentual de chats deixados sem resposta;
- Quantidade de fretes fechados por meio do chat.
Nosso objetivo central é incentivar que a negociação ocorra dentro da plataforma, aumentando conversões e fortalecendo a retenção. Para isso, atribuímos pesos diferentes a cada indicador, com base na relevância para o negócio. Essa lógica foi documentada e resultou em uma tabela de classificação de atratividade, permitindo que mesmo um operador com tempo de resposta alto, mas com muitos fretes fechados, alcance uma boa avaliação.
A partir dessa regra, questionei: quantas combinações possíveis existiriam com base nos pesos definidos?
Utilizando o ChatGPT, gerei uma tabela com todas as combinações possíveis, já categorizadas por atratividade. Com isso, conseguimos criar rapidamente o componente de exibição de status para o time de engenharia.
Em seguida, surgiu outra dúvida: quantos operadores, na base real, estariam em cada nível de atratividade?
Para responder, solicitei ao time de Data Science uma amostra de dados reais dos últimos 30 dias em formato .csv. Após receber o arquivo, apliquei a seguinte lógica via prompts no ChatGPT:
- Alterar nomes das colunas para títulos mais claros (ex.: “Tempo médio de resposta”, “Fretes Fechados”, “% de chats abertos”);
- Converter Tempo médio de resposta para minutos e % de chats abertos para porcentagem;
- Gerar nova tabela e aplicar formatação condicional por cor (verde para alta, laranja para média, vermelho para baixa atratividade);
- Exibir o total por categoria.
- Exportar em
.xls
O resultado foi: Alta: 0 | Média: 6 | Baixa: 76.
Esse número acendeu alertas importantes sobre a performance geral, apontando oportunidades de melhorias futuras, como a aproximação da experiência do chat com o whatsapp, encerramento automático de conversas quando uma negociação é fechada, itens que foram direcionados para o time que cuida do chat.
Essa experiência foi um exercício valioso em pensamento sistêmico, aplicação de lógica de classificação e uso prático de prompts para análise de dados reais, mostrando como ferramentas de IA podem acelerar entregas, gerar insights e antecipar resultados.