Como a IA impacta a orquestração de jornada do cliente no varejo

Um mesmo cliente pesquisa um produto no Instagram, confere o preço no site e experimenta o modelo na loja antes de decidir. Cada um desses passos faz parte da jornada do cliente, e cada um é registrado por uma área diferente: marketing, e-commerce e loja física.

Quando os dados ficam separados por canal, a marca perde a visão do percurso completo. Isso afeta diretamente a comunicação e os resultados. Por exemplo, o cliente recebe um lembrete de carrinho abandonado de um produto que já comprou na loja.

A inteligência artificial ajuda a reunir essas informações e a interpretá-las em tempo real. A IA preditiva indica quem está mais perto de comprar, e a IA generativa apoia a criação e o envio da mensagem adequada.

É isso que chamamos de orquestração da jornada: escolher o canal, o momento e o conteúdo mais adequados para cada cliente, com base no comportamento dela em todos os pontos de contato.

A seguir, você encontra as cinco etapas da jornada do cliente, o que a IA muda em cada uma, os principais desafios de implantação, com destaque para a LGPD, e como medir os resultados da orquestração.

O que é a jornada do cliente?

A jornada do cliente é o caminho que uma pessoa percorre desde o primeiro contato com a marca até a compra e o pós-venda. 

No varejo omnichannel, esse caminho passa por loja física, e-commerce, aplicativo, redes sociais e WhatsApp, quase nunca em linha reta.

Um cliente descobre a marca no Instagram, compara preço no site, prova na loja e fecha a compra pelo WhatsApp da vendedora. Entretanto, o funil linear não registra esse vaivém.

Por isso o mapeamento da jornada no varejo omnicanal precisa partir de dados reais de comportamento. O mapa mostra onde o cliente avança, trava ou desiste, e em qual canal cada movimento acontece.

Por que é importante construir e mapear a jornada do cliente?

Mapear a jornada do cliente mostra onde a receita escapa e permite corrigir o ponto exato antes de gastar mais em mídia. 

Com o custo de aquisição pressionando a margem, perder o cliente no meio do caminho pode sair caro.

O cliente já trata loja e site como uma coisa só. Segundo estudo da Opinion Box em parceria com a Dito, 84% dos consumidores gostam que lojas físicas e online estejam integradas, a operação precisa fazer o mesmo.

Quando o time de marketing, CRM, loja e e-commerce trabalha com metas e bases separadas, o cliente paga o preço com mensagens contraditórias. 

Os efeitos vão além da comunicação e chegam à medição, à margem e à reputação do canal.

Medição distorcida: sem perfil único, a venda que começou no Instagram e terminou na loja fica sem origem. O e-commerce leva o crédito de um pedido que a loja influenciou, e o efeito das campanhas digitais no PDV some do relatório. O time corta verba do canal que estava funcionando.

Segmentação errada: o cliente que comprou na loja na semana passada aparece como inativa no e-commerce. ElE entra na campanha de winback, recebe cupom e compra com um desconto que não precisava. O LTV dela também fica subestimado, porque parte das compras está em outra base.

Ofertas conflitantes: cada canal roda a própria promoção. O cliente vê um preço no site, outro no app e um terceiro na loja, e a margem da marca paga pela confusão.

Excesso de contato: três áreas avisam o mesmo cliente sobre o mesmo lançamento, por e-mail, SMS e WhatsApp. O resultado são descadastros, denúncias e queda na reputação do número.

Vendedor sem contexto: a equipe da loja chama o cliente sem saber o que ela viu no site ou o que já comprou online. A abordagem soa genérica e a venda assistida perde força.

Esse é o problema clássico de operar em silos, e o mapa da jornada é o que expõe cada um desses conflitos.

Jornada do cliente on e off na prática: o case da Constance

A Constance, marca de calçados femininos premium com mais de 90 lojas franqueadas e e-commerce, vivia o cenário descrito acima. Clientes pesquisavam o produto online e compravam na loja, ou faziam o caminho contrário. Sem os dados dos dois canais no mesmo lugar, a marca não sabia qual percurso levava à venda.

No case da Constance, a marca integrou os ambientes online e offline na Dito e passou a criar campanhas segmentadas com dados dos dois. 

Entraram automações de aniversário, carrinho abandonado e winback, além de segmentação por comportamento de navegação.

Nos resultados mensais, as campanhas de e-mail alcançaram 36% de taxa de abertura e 12,6% de taxa de clique. O canal respondeu por 15,69% da receita online, com ROI de 21.

O cruzamento entre canais evita o erro que descrevemos acima, porque o lembrete de carrinho abandonado só faz sentido para quem não comprou o produto em nenhum deles. 

Hoje, os mesmos dados on e off alimentam os modelos de IA que veremos a seguir.

Entendimento do comportamento do consumidor e construção do perfil da persona

A persona de apresentação, com nome, idade e hobby inventados, não orienta nenhuma decisão de CRM. 

A persona útil nasce do comportamento: recência, frequência e valor de compra, categorias visitadas, canal preferido e resposta a cada tipo de campanha.

Um exemplo mostra o que muda na prática. Duas clientes têm o mesmo perfil demográfico: mulheres de 30 a 40 anos, da mesma cidade e com renda parecida. Para a persona demográfica, são a mesma pessoa.

O comportamento conta outra história. A primeira compra só na liquidação, dentro da loja, e nunca abre e-mail. A segunda compra lançamentos pelo aplicativo nos primeiros dias da coleção e responde a push. A persona comportamental trata as duas como perfis distintos e define uma régua para cada uma.

A primeira recebe o aviso da liquidação pelo WhatsApp, com convite para visitar a loja. A segunda recebe o push do lançamento com acesso antecipado à coleção. 

Pela persona demográfica, as duas receberiam o mesmo e-mail, um canal que nenhuma abre.

Essa leitura exige uma visão 360 do consumidor, com dados de PDV, e-commerce e app no mesmo perfil. 

É a função de uma CDP: unificar as fontes para que a segmentação por RFM e os modelos de IA trabalhem sobre a pessoa inteira, com o histórico de todos os canais.

Quais são as 5 etapas da jornada do cliente e o impacto da IA em cada uma?

As cinco etapas da jornada do cliente no varejo são aprendizado e descoberta, reconhecimento do problema, consideração da solução, decisão de compra e pós-venda e fidelização. 

A IA generativa cria conteúdo e conversa em cada uma. Já a IA preditiva calcula quem está pronto para avançar e qual mensagem tem mais chance de funcionar.

Vale separar as duas. Enquanto a generativa escreve, resume e responde, a  preditiva pontua: propensão de compra, risco de churn, produto com maior chance de aceite. 

A orquestração em tempo real depende da segunda decidindo e da primeira executando.

1. Aprendizado e Descoberta

Nessa etapa, o cliente ainda não sabe o que quer e encontra a marca por busca, rede social, indicação ou vitrine.

A IA generativa produz variações de criativo e texto por segmento, e a preditiva aponta quais perfis da base se parecem com os melhores clientes, para direcionar mídia e conteúdo. 

Com isso, cada perfil recebe a peça com mais chance de funcionar para ele.

O Playbook de CRM para WhatsApp da Dito traz uma tática que cabe aqui, o CTA Social, que direciona algumas comunicações para conteúdo da marca, como vídeo de review, unboxing no TikTok ou post de Instagram. 

A recomendação prática é de 10 campanhas semanais, direcione pelo menos uma para conteúdo social e monitore a receita influenciada.

2. Reconhecimento do Problema

Aqui o cliente percebe a necessidade, seja porque a estação mudou, o tênis gastou ou a data comemorativa chegou.

A IA preditiva antecipa esse momento. Ao cruzar histórico de compra, ciclo de recompra da categoria e navegação recente, o modelo sinaliza quem entra na janela de troca antes de o cliente começar a pesquisar. 

Dessa forma, o contato chega quando a necessidade nasce.

Por exemplo, um cliente que comprou tênis de corrida e visitou a página de meias esportivas ganha prioridade na régua, e quem comprou ontem saiu da fila. 

A IA da Dito trabalha nessa lógica de propensão de compra e previsão de churn.

3. Consideração da Solução

O cliente compara produtos, preços, avaliações e disponibilidade na loja mais próxima. É a etapa em que a integração entre PDV físico e e-commerce mais pesa.

Se o estoque da loja não aparece para o e-commerce, o cliente pergunta no WhatsApp se existe o número 38 e o vendedor descobre a resposta depois de dez minutos. Nesse intervalo, o cliente já abriu outra aba.

A hiperpersonalização no e-commerce resolve parte disso: vitrine, ordem de produtos e recomendação mudam conforme o perfil de cada visitante. 

O atendimento inteligente com IA generativa responde dúvidas de tamanho, material e troca no mesmo instante, com base no catálogo aprovado pela marca.

4. Decisão de Compra

Na hora de fechar a compra, a IA reduz o atrito em três frentes:

• Objeções respondidas na hora: a IA generativa esclarece dúvidas sobre frete, prazo, parcelamento e política de troca em segundos, o que evita o abandono de carrinho.

• Incentivo só para quem precisa: a IA preditiva separa quem compraria sem incentivo de quem precisa de um empurrão. Com essa separação, o cashback progressivo entra só para o segundo grupo, e a margem do primeiro fica intacta.

• Venda assistida na loja: o vendedor recebe o sinal de que o cliente olhou o produto no site e chama pelo WhatsApp com contexto. No fechamento da compra, ele ainda manda um “oi” e pede para salvar o contato.

Esse opt-in no ponto de venda evita que a próxima campanha apareça como número desconhecido e reduz o risco de bloqueios no WhatsApp.

5. Pós-venda e Fidelização

A compra fechada abre a etapa que mais rende para quem tem base própria. Nela, agentes autônomos de IA assumem o trabalho repetitivo: acompanhar a entrega, informar status de troca, coletar NPS e CSAT e sugerir o complemento certo no momento certo.

O agente resolve o simples e escala o restante para uma pessoa, com o histórico da conversa anexado. Quando a nota é baixa, o alerta dispara na hora e o time recupera o cliente antes da reclamação pública. É o que o Dito CX faz com medição de NPS e CSAT pós-compra e acionamento automático.

O dado mais forte vem da própria operação de WhatsApp. Numa base de 50 mil vendedores e 300 marcas, entre janeiro de 2024 e janeiro de 2026, o volume de contatos caiu 41% e a receita por contato cresceu 518%. Isso aconteceu porque as marcas passaram a falar com quem tinha propensão de compra.

Quer ver como grandes varejistas operam essa lógica? O Playbook de CRM para WhatsApp no varejo reúne as estratégias, o uso de IA para priorizar contatos e as aplicações práticas de RFM. 

Quais os principais desafios para implementar a IA na jornada do cliente no varejo?

Os quatro obstáculos são dados fragmentados, conformidade com a LGPD, governança dos modelos e adoção pelo time de loja. Os dois primeiros travam a maioria dos projetos.

Dados fragmentados: IA sobre base dividida só automatiza o erro. Se o PDV, por exemplo, demora dias para chegar ao CRM, o modelo recomenda o produto que o cliente comprou ontem na loja. Ou seja, a latência entre canais define a qualidade de cada decisão.

LGPD e hiperpersonalização: quanto mais o modelo personaliza, mais dado pessoal ele consome, e a lei impõe limites claros. A Lei 13.709/2018 exige base legal para cada tratamento e adota o princípio da necessidade, que limita a coleta ao que a finalidade pede. O artigo 20 garante ao titular o direito de pedir revisão de decisões tomadas apenas por tratamento automatizado, incluindo a definição de perfil.

Isso vira quatro rotinas: 

• Registre o consentimento por canal. 
• Ofereça opt-out simples em toda mensagem. 
• Documente a lógica de cada segmentação. 
• Mantenha revisão humana nas decisões que afetam o cliente de fato, como condição comercial individual.

Governança dos modelos: a IA generativa erra com convicção. Um agente de pós-venda precisa de escopo fechado, base de conhecimento aprovada e regra de escalonamento para humano. O modelo preditivo também precisa de reavaliação periódica e de comparação com grupo de controle.

Adoção na loja: o vendedor só segue a priorização da IA se entender por que aquele cliente está no topo. Por isso, mostre o motivo junto de cada contato, como a visita ao produto no site ou o ciclo de recompra que está chegando ao fim. 

Defina também uma meta diária de contatos por vendedor e distribua os envios ao longo do expediente, já que concentrar tudo em poucos minutos aciona os filtros antispam da Meta. 

Por fim, acompanhe a conversão da carteira priorizada e compartilhe o resultado com a loja, para que o time enxergue o ganho no próprio caixa.

Nenhum modelo de IA compensa uma base de clientes dividida entre PDV, e-commerce e aplicativo. Quem quer orquestrar a jornada precisa primeiro unificar os dados e só depois automatizar as decisões.

Como medir a eficiência da jornada orquestrada por IA?

Meça a orquestração pelo resultado no cliente e na operação: receita por contato, conversão entre etapas, recompra, LTV e satisfação pós-compra. 

Compare sempre contra um grupo de controle sem IA. Veja a tabela:

O levantamento da Dito com 50 mil vendedores, 300 marcas e 270 milhões de contatos mostra o padrão esperado. 

Hoje, cada contato influencia, em média, R$202 em receita numa janela de 15 dias. O volume caiu e o valor de cada mensagem subiu.

Com base nisso, use esse padrão como teste. Se a receita por contato não sobe quando o volume diminui, a IA não está priorizando bem. 

Reserve 10% da base como grupo de controle por 30 dias e compare a receita das duas metades.

Para posicionar seus números diante do mercado, o Clienting Index traz um benchmark de 300 grandes marcas do varejo brasileiro, com dados do primeiro semestre de 2026. Vale conferir! 

Transforme a jornada do cliente em receita previsível com IA

Orquestrar a jornada do cliente com IA começa por uma decisão simples: falar com quem está pronto para comprar. 

Os dados da Dito mostram que menos contatos, bem escolhidos, geram mais receita.

O plano de ação cabe em três passos. Primeiro, unifique os dados de PDV, e-commerce e app em um perfil por cliente. Em seguida, escolha uma etapa da jornada, como pós-venda ou carrinho abandonado, e rode a IA nela com grupo de controle. Por fim, meça a receita por contato por 30 dias e só então expanda.

A priorização é onde a IA rende mais, nesse ponto, o Dito IA calcula propensão de compra, risco de churn e recomendação de produto, e entrega ao CRM e ao vendedor a lista de quem contatar antes de qualquer disparo. 

Quer ver a receita por contato subir com uma priorização mais precisa? Conheça o Dito IA.