NBA e NBO: como funciona a recomendação automática em CRM Enterprise

Toda vez que um agente de vendas abre uma ficha de cliente e vê uma sugestão automática, “ofereça isso”, “ligue agora”, “envie este conteúdo”, existe um motor de decisão por trás daquela recomendação. Em CRM enterprise, esse motor tem nome: Next Best Action (NBA) e Next Best Offer (NBO).

Este guia explica, sem jargão desnecessário, como esses dois conceitos funcionam por baixo dos panos, onde um termina e o outro começa, e por que a maioria das implementações de CRM nunca chega perto de usar essa capacidade de verdade.

Vale a diferença desde já: comprar um CRM com “recomendação de IA” no folheto comercial não significa que a empresa tem NBA ou NBO funcionando de verdade. A maioria das implementações usa, na prática, regra fixa disfarçada de inteligência, “todo cliente do segmento X recebe a oferta Y”. Entender a arquitetura real por trás desses dois conceitos é o que separa uma recomendação que gera resultado de uma que só parece sofisticada.

O que é NBA e o que é NBO, sem confundir os dois

Next Best Offer é a pergunta mais estreita: qual produto, serviço ou promoção tem mais chance de conversão para este cliente específico, agora. É a lógica clássica de recomendação comercial, focada em o que vender.

Next Best Action é mais amplo. Não pergunta só o que oferecer, pergunta se vale a pena engajar o cliente agora, por qual canal, e que tipo de interação, uma oferta, um conteúdo educativo, uma ação de retenção, ou simplesmente esperar, tem mais valor esperado naquele momento específico. NBO é um subconjunto de NBA, focado especificamente em produto ou serviço.

Infográfico compara NBO e NBA. Enquanto o NBO foca em qual produto vender, o NBA abrange o tipo de interação, canal e momento ideal com o cliente.

Na prática, NBA cobre um espectro bem mais amplo de decisão do que a maioria das empresas imagina quando ouve o termo pela primeira vez:

• Ofertas e promoções: recomendação de produto, upsell, cross-sell ou desconto, o território do NBO
• Entrega de conteúdo: material educativo, artigo ou vídeo alinhado ao interesse do cliente naquele momento da jornada
• Ação de serviço: contato proativo de suporte, revisão de conta ou intervenção de retenção antes que o cliente peça
• Preferência de comunicação: escolha de canal e momento ideal de contato para aquele cliente específico
• Orientação de jornada: direcionar o cliente para o próximo passo lógico dentro do ciclo de relacionamento com a empresa

Onde a confusão realmente acontece

Na prática comercial, os dois termos são usados de forma intercambiável, e isso raramente é um problema sério. O que importa é entender o princípio por trás: o sistema não está mais empurrando a mesma oferta para todo mundo em um segmento, ele avalia contexto, comportamento e histórico de cada cliente individualmente, em tempo real, para decidir a ação de maior valor esperado.

Isso é uma mudança de paradigma em relação ao marketing tradicional em lote, que dispara a mesma campanha para um segmento inteiro em uma data fixa, independente de onde cada cliente esteja em sua própria jornada.

Um exemplo torna essa diferença concreta: em marketing tradicional em lote, todo cliente que comprou um produto X recebe, trinta dias depois, o mesmo e-mail oferecendo o produto Y, no mesmo horário, pelo mesmo canal. Em um sistema de NBA maduro, um cliente que já demonstrou sinal de insatisfação recente não recebe oferta nenhuma, recebe uma ação de retenção. Outro cliente, com alto engajamento e sinal de intenção de compra, recebe a oferta certa, no canal que ele mais usa, no momento em que a probabilidade de conversão é mais alta. A diferença não está na tecnologia de disparo, está no que o sistema decide fazer antes de disparar qualquer coisa.

Os quatro componentes que sustentam qualquer motor de recomendação

Por trás de qualquer sistema de NBA ou NBO que funcione de verdade, existem quatro peças trabalhando juntas:

• Dado de cliente unificado: um perfil consolidado com comportamento, transação, histórico de interação e sinal em tempo real, normalmente sustentado por um CDP ou por uma camada de dado unificado dentro do próprio CRM
• Regras de negócio: limites de frequência de contato, elegibilidade de produto, exigência regulatória, prioridades estratégicas, tudo que garante que a recomendação da IA respeite os limites definidos pela empresa
• Modelos preditivos: propensão de compra, risco de cancelamento, valor de vida do cliente, calculados a partir de padrão histórico e atualizados continuamente conforme novo dado chega
• Motor de decisão: a peça que cruza tudo isso, pontua as ações possíveis, e escolhe a de maior valor esperado para aquele cliente, naquele momento específico

Sem essas quatro peças funcionando juntas, o que existe não é NBA ou NBO, é uma regra fixa disfarçada de recomendação inteligente, do tipo “todo cliente do segmento X recebe a oferta Y”, que é exatamente o modelo que essa tecnologia deveria substituir.

Como o motor de decisão realmente escolhe a ação

O motor de decisão não escolhe apenas “a melhor oferta” de forma isolada. Ele avalia múltiplas ações candidatas ao mesmo tempo, comparando o valor esperado de cada uma para aquele cliente específico, naquele momento específico. Isso inclui considerar potencial de receita, impacto em retenção e satisfação do cliente, não apenas probabilidade de conversão isolada.

É esse cruzamento, e não um único modelo de machine learning rodando sozinho, que transforma dado bruto em uma decisão acionável. Um modelo preditivo de propensão de compra, por exemplo, pode indicar que um cliente tem alta chance de comprar um produto específico, mas se as regras de negócio indicam que ele já recebeu três contatos essa semana, o motor de decisão pode escolher esperar, mesmo com a propensão alta.

Por que dado fragmentado é o motivo mais comum de recomendação ruim

Um motor de recomendação é tão bom quanto o dado que ele enxerga. Se o histórico de interação está no CRM, o comportamento de navegação está em outro sistema, e o histórico de chamado de suporte está em um terceiro, sem consolidação, a recomendação vai ignorar sinais importantes, mesmo rodando o melhor algoritmo do mercado.

Esse é exatamente o ponto detalhado no Guia Completo de CRM Enterprise: Salesforce e Além: a maioria das implementações de CRM falha por fragmentação de dado, não por limitação da tecnologia de recomendação em si.

Da recomendação para a execução: o papel da IA agêntica

Até pouco tempo, NBA e NBO funcionavam como sugestão: o sistema recomendava, e um humano decidia se aceitava ou não. Isso está mudando. Sistemas de decisão em tempo real cada vez mais permitem que agentes de IA não apenas recomendem, mas executem a ação diretamente, atualizando o CRM, disparando uma comunicação ou ajustando uma oferta sem esperar aprovação humana em cada caso.

Isso não elimina o humano da equação, elimina a necessidade de aprovação manual em decisões de baixa complexidade, liberando o time para focar nos casos que realmente exigem julgamento humano, negociações sensíveis, disputas, ou contas estratégicas onde o contexto emocional pesa mais do que qualquer modelo preditivo consegue capturar.

Essa transição não acontece de uma vez. O padrão mais seguro observado no mercado é começar com o sistema apenas recomendando, com humano aprovando cada ação, medir a taxa de acerto por um período, e só então liberar execução automática para os cenários de menor risco e maior volume, mantendo aprovação humana para os casos de maior complexidade ou valor envolvido. Pular direto para execução totalmente autônoma sem essa validação prévia é um dos erros mais caros dessa transição.

Como isso funcionou na prática: o motor de propensão do Mercantil

O Case: Mercantil do Brasil e a Transformação da Agilidade Comercial é um exemplo direto desses quatro componentes trabalhando juntos em produção. O motor de propensão comercial implementado ali gerava recomendações de próxima melhor ação e próxima melhor oferta cruzando três blocos de dado: propensão comercial, sinalizações operacionais como chamados em aberto, e capacidade transacional como margem pré-aprovada.

O resultado prático, +60% em novas propostas geradas e +30% de conversão em propostas negociadas, veio exatamente de substituir decisão baseada em experiência individual do agente por recomendação fundamentada em dado unificado e regra de negócio clara, os mesmos componentes descritos neste artigo.

Erros mais comuns ao implementar NBA e NBO

• Comprar a tecnologia antes de resolver a fragmentação de dado: nenhum motor de recomendação compensa uma base de dado desorganizada
• Ignorar regras de negócio na configuração inicial: sem limite de frequência de contato e elegibilidade bem definidos, a recomendação pode gerar experiência ruim para o cliente, mesmo sendo estatisticamente “correta”
• Tratar o modelo preditivo como estático: modelo que não é retreinado com novo dado perde precisão rápido, especialmente em mercados que mudam de comportamento com frequência
• Automatizar execução antes de validar a recomendação: passar de “sugestão para humano aprovar” para “execução automática” sem um período de validação aumenta o risco de erro em escala

Como saber se o motor de recomendação está funcionando

Volume de recomendações geradas não prova nada sozinho. Os indicadores que importam são: taxa de aceitação das recomendações pelo agente ou pelo cliente, taxa de conversão das ações recomendadas comparada à taxa anterior sem recomendação, e tempo entre o sinal aparecer no dado e a ação ser recomendada ou executada.

Se a taxa de aceitação do agente está baixa, o problema normalmente não é o modelo, é a qualidade do dado que alimenta a recomendação, ou regras de negócio mal calibradas gerando sugestão que não faz sentido no contexto real daquele cliente.

Perguntas frequentes

NBA e NBO são a mesma coisa?

Não exatamente. NBO é mais específico, focado em qual produto ou oferta recomendar. NBA é mais amplo, decidindo também se vale a pena engajar agora, por qual canal, e com qual tipo de interação, não só uma oferta.

Preciso de um CDP para ter NBA ou NBO funcionando?

Não é obrigatório, mas ajuda muito. O que é indispensável é ter dado de cliente unificado, seja via CDP, seja via uma camada de dado bem estruturada dentro do próprio CRM.

IA agêntica substitui completamente a recomendação de NBA por humanos?

Na maioria dos casos, não. Ela reduz a necessidade de aprovação manual em decisões de baixa complexidade, mas negociações sensíveis e contas estratégicas continuam se beneficiando de julgamento humano com apoio da recomendação, não substituição total dela.

Toda empresa enterprise precisa de um motor de NBA/NBO dedicado?

Empresas com alto volume de interações e múltiplos canais de contato se beneficiam mais rapidamente. Empresas menores ou com volume baixo de interação podem não justificar o investimento ainda, e ganham mais resolvendo primeiro a unificação básica de dado no CRM.

Leia também: para entender a arquitetura completa de CRM que sustenta esse tipo de recomendação, veja o Guia Completo de CRM Enterprise: Salesforce e Além.