🎮 AI Gamer Sales Assistant: construindo um MVP de Sales Intelligence com Python e Streamlit

Quando recomendar um produto não é suficiente

Em uma venda consultiva, uma pergunta aparentemente simples pode esconder um problema maior :

“Qual produto você procura ?”

Saber o produto desejado é importante, mas nem sempre é suficiente para fazer uma boa recomendação.

Qual é a necessidade real do cliente? Qual é o orçamento disponível? Como o produto será utilizado? Existe urgência? Mobilidade é importante? Quem participa da decisão?

Foi a partir desse problema que desenvolvi o AI Gamer Sales Assistant, um MVP de Sales Intelligence voltado à venda consultiva no mercado gamer e de tecnologia.

A proposta não é apenas recomendar produtos, mas transformar informações coletadas durante o atendimento em apoio estruturado à decisão comercial.

💡 Da conversa comercial à inteligência

A solução foi estruturada como uma jornada:

Customer Profiling → Opportunity Diagnosis → Opportunity Scoring → Recommendation Engine → Basket Intelligence → Sales Messaging

Cada etapa responde a uma necessidade específica do processo comercial.

1. Customer Profiling

O atendimento começa pela coleta de informações relevantes sobre o cliente e sua necessidade.

Entre elas :

• necessidade declarada;
• principais usos;
• orçamento máximo;
• urgência;
• importância da mobilidade;
• contexto de decisão da compra.

Em vez de começar pelo produto, a lógica começa pelo problema que precisa ser resolvido.

Essa mudança é importante porque duas pessoas procurando um notebook, por exemplo, podem ter necessidades completamente diferentes.

Uma pode priorizar mobilidade e estudo. Outra pode precisar de desempenho para jogos e aplicações mais exigentes.

📊 Opportunity Diagnosis e Opportunity Scoring

Depois da qualificação, as informações são transformadas em um diagnóstico comercial.

O sistema avalia o contexto da oportunidade e gera elementos que ajudam a priorizar e interpretar o atendimento.

O Opportunity Score não pretende prever matematicamente se uma venda será fechada. Sua função no MVP é estruturar sinais comerciais existentes no atendimento e convertê-los em apoio à decisão.

Isso permite que a aplicação avance de :

“Tenho algumas informações sobre o cliente.”

para :

“O que essas informações significam para esta oportunidade ?”

Essa distinção representa uma das principais ideias do projeto: dados somente ganham valor quando ajudam alguém a decidir.

🎯 Recommendation Engine

Com o diagnóstico construído, entra o mecanismo de recomendação.

O Recommendation Engine relaciona:

necessidade + orçamento + contexto de uso + características dos produtos

para identificar alternativas aderentes ao cenário informado.

O objetivo não é simplesmente encontrar o produto mais caro que caiba no orçamento.

A recomendação precisa preservar a coerência entre necessidade, características, preço e contexto comercial.

Isso permite apresentar não apenas uma indicação, mas também a lógica que sustenta essa recomendação.

🛒 Basket Intelligence: pensando além do produto principal

Uma venda pode envolver mais do que um único item.

Por isso, desenvolvi também uma camada de Basket Intelligence.

A aplicação analisa possibilidades como :

• produto principal;
• complementos;
• cross-sell;
• upsell;
• alternativa premium;
• composição da solução dentro do orçamento disponível.

Por exemplo, se o produto recomendado deixa parte do orçamento disponível, o sistema pode avaliar acessórios coerentes com o contexto do cliente.

O ponto importante é que cross-sell não significa simplesmente adicionar produtos à cesta.

A composição precisa continuar fazendo sentido para a necessidade identificada.

Essa camada transforma a recomendação individual em uma visão de solução comercial.

💬 Da inteligência para a abordagem comercial

Uma recomendação tecnicamente adequada ainda precisa ser comunicada.

Por isso, a jornada termina com o módulo de Sales Messaging.

A aplicação transforma o resultado da análise em mensagens comerciais adaptadas para canais digitais, como:

WhatsApp e Instagram/DM.

A intenção é aproximar análise e execução.

O vendedor passa por uma sequência lógica :

entender → diagnosticar → recomendar → compor → argumentar → abordar.

Com isso, a tecnologia não substitui o vendedor. Ela funciona como uma camada de decision support para apoiar sua atuação.

🧠 Commercial Intelligence Cockpit

A interface também foi pensada para deixar explícita a arquitetura de inteligência existente por trás da aplicação.

O cockpit apresenta os principais componentes do sistema e organiza a jornada comercial em uma única experiência.

O projeto evoluiu, portanto, de uma aplicação de recomendação para um MVP que combina diferentes mecanismos de apoio comercial.

Principais módulos

Customer Profiling

Estrutura informações relevantes sobre o cliente.

Opportunity Diagnosis

Interpreta o contexto da oportunidade.

Opportunity Scoring

Organiza sinais comerciais em uma pontuação de apoio à priorização.

Recommendation Engine

Relaciona necessidades e características dos produtos.

Basket Intelligence

Avalia produto principal, complementos, upsell e cross-sell.

Sales Messaging

Transforma a estratégia em abordagem comercial.

⚙️ Arquitetura do projeto

Uma preocupação durante o desenvolvimento foi evitar concentrar toda a lógica em um único arquivo.

A solução foi organizada em módulos especializados, incluindo componentes responsáveis por:

models.py — estruturas de dados

catalog.py — catálogo de produtos

diagnosis.py — diagnóstico comercial

scoring.py — Opportunity Scoring

recommendation.py — mecanismo de recomendação

basket.py — Basket Intelligence

message_engine.py — mensagens comerciais

ui.py — componentes da interface

A aplicação principal é executada com Streamlit, enquanto as regras de negócio permanecem separadas em módulos Python.

Essa separação tornou o projeto mais organizado e, principalmente, mais testável.

🧪 42 testes automatizados

Outro ponto importante da evolução do projeto foi a criação de uma suíte de testes.

A versão v0.3.0 foi fechada com:

✅ 42 testes automatizados passando

Os testes cobrem componentes como catálogo, diagnóstico, scoring, recomendação, composição de cesta e geração de mensagens.

Em sistemas que trabalham com regras de decisão, testar apenas se a aplicação “abre” é insuficiente.

Também é necessário verificar se determinadas entradas continuam produzindo comportamentos coerentes após alterações no código.

Os testes passaram, portanto, a funcionar como uma camada de proteção contra regressões durante a evolução do MVP.

🛠️ Tecnologias utilizadas

O projeto utiliza principalmente :

Python 3.12 • Streamlit • Pytest • JSON • Git • GitHub

O catálogo utilizado na demonstração é estruturado em dados simulados, permitindo desenvolver e testar a lógica comercial sem depender de uma operação real de e-commerce.

⚠️ Escopo e limitações

O AI Gamer Sales Assistant é um projeto de portfólio e protótipo educacional.

Produtos, preços e regras comerciais utilizados na demonstração são simulados e não representam estoque ou condições comerciais reais.

A versão atual também não possui:

• persistência de atendimentos;
• histórico comercial;
• integração ativa com CRM;
• dados de estoque e preço em tempo real;
• integração ativa com APIs de LLM;
• métricas reais de conversão.

Esses elementos fazem parte de possíveis evoluções, mas não são necessários para demonstrar a arquitetura central proposta pelo MVP.

🚀 O que aprendi construindo o projeto

O principal aprendizado não foi simplesmente desenvolver uma interface em Streamlit ou implementar regras em Python.

Foi perceber como um problema comercial pode ser decomposto em diferentes decisões e, posteriormente, transformado em componentes de software.

O projeto começou com recomendação de produtos, mas evoluiu para uma questão mais interessante:

Como transformar contexto comercial em inteligência acionável para apoiar uma venda consultiva ?

Essa mudança de perspectiva levou à construção de profiling, diagnóstico, scoring, recomendação, composição de cesta e geração de abordagem comercial como partes de uma mesma jornada.

É justamente na interseção entre negócio, dados e tecnologia que vejo algumas das aplicações mais interessantes de Data Analytics e Inteligência Artificial.

🎮 AI Gamer Sales Assistant v0.3.0

A versão v0.3.0 representa o primeiro release oficial do projeto e consolida o MVP de Sales Intelligence.

O próximo passo não precisa necessariamente ser adicionar mais funcionalidades.

Um MVP também precisa saber quando está pronto para demonstrar uma ideia.

E, neste caso, a ideia pode ser resumida em três perguntas:

O que recomendar ?

Por que recomendar ?

Como conduzir a oportunidade ?

🔗 Código, documentação, screenshots e release v0.3.0 disponíveis no GitHub : https://github.com/MCLG1661/AI-Gamer-Sales-Assistant