Otimizando a Jornada do Cliente B2B: Como a Integração de IA Conversacional e CRM Personaliza a Experiência e Impulsiona Vendas

{ "title": "IA Conversacional e CRM: A Chave para a Jornada B2B", "excerpt": "Descubra como a IA conversacional integrada ao CRM personaliza a experiência B2B, otimiza processos e impulsiona vendas, transformando a interação com clientes.", "content": "# Otimizando a Jornada do Cliente B2B: Como a Integração de IA Conversacional e CRM Personaliza a Experiência e Impulsiona Vendas\n\n## Introdução\n\nEmpresas B2B frequentemente lutam para manter um alto nível de personalização e eficiência em todas as etapas da jornada do cliente. A complexidade das vendas B2B, com ciclos mais longos, múltiplos decisores e necessidades específicas, exige um acompanhamento detalhado e proativo. No entanto, a escalabilidade dessa personalização se torna um gargalo. Como garantir que cada lead receba a atenção individualizada que merece, desde o primeiro contato até o pós-venda, sem sobrecarregar as equipes de vendas e marketing? A falta de visibilidade unificada sobre as interações e a dificuldade em prever as próximas necessidades do cliente levam a oportunidades perdidas e a uma experiência fragmentada, impactando diretamente a taxa de conversão e a retenção.\n\n## Contexto do Problema\n\nO cenário atual nas vendas B2B é marcado por uma quantidade crescente de dados gerados em diversos pontos de contato: e-mails, chamadas, reuniões, formulários de site, interações em redes sociais e suporte técnico. Sem uma gestão centralizada e inteligente, esses dados se tornam silos de informação, dificultando a criação de uma visão 360º do cliente. As equipes de vendas e marketing muitas vezes operam com informações desatualizadas ou incompletas, o que compromete a qualidade das abordagens. A personalização, que deveria ser um diferencial competitivo, torna-se um esforço manual e insustentável. Chatbots genéricos respondem a perguntas frequentes, mas falham em compreender o contexto complexo de uma negociação B2B. CRMs robustos existem, mas sem a capacidade de agir proativamente com base em insights em tempo real, eles se tornam meros repositórios de dados. A consequência direta é um funil de vendas com baixas taxas de conversão, um ciclo de vendas prolongado e um custo de aquisição de cliente elevado.\n\n## Como resolvemos esse problema na prática\n\nNa Devisaah, abordamos esse desafio através da integração estratégica entre Inteligência Artificial Conversacional (IA Conversacional) e o Customer Relationship Management (CRM), focando em criar uma experiência B2B verdadeiramente personalizada e escalável. Em um projeto recente, trabalhamos com uma empresa de software corporativo que enfrentava dificuldades em qualificar leads de forma eficiente e em nutrir relacionamentos com clientes potenciais que ainda não estavam prontos para comprar.\n\nCenário de Implementação:\n\n1. Chatbot Inteligente no Site: Implementamos um chatbot alimentado por um modelo de linguagem avançado (LLM), configurado para ir além de respostas básicas. Este chatbot foi treinado com o catálogo de produtos, documentação técnica, FAQs detalhados e até mesmo com transcrições anonimizadas de conversas de vendas anteriores. O objetivo era que ele pudesse entender a complexidade das perguntas técnicas e de negócios dos visitantes do site. Quando um lead demonstrava interesse específico, o chatbot não apenas respondia, mas também coletava informações cruciais: qual problema o visitante buscava resolver, qual o tamanho da empresa, qual o cargo do contato e qual o nível de maturidade da necessidade.\n\n2. Integração Bidirecional com CRM: Cada interação relevante do chatbot era enviada em tempo real para o CRM (neste caso, um Salesforce customizado). A informação não ia apenas como um registro de chat, mas era processada para preencher campos específicos: interesses de produto, estágio do funil, pontuação de lead (lead scoring) baseada na qualidade das respostas e intenção demonstrada. Ao mesmo tempo, o chatbot podia consultar o CRM para obter contexto. Se um lead já havia interagido anteriormente, o chatbot podia referenciar essa conversa, demonstrando que a empresa "lembrava" dele.\n\n3. Agendamento Inteligente de Reuniões: Quando o chatbot identificava um lead qualificado com alta intenção, ele oferecia a possibilidade de agendar uma demonstração ou uma conversa com um especialista. Utilizando APIs de calendário e regras de negócio, o chatbot apresentava horários disponíveis para os vendedores, considerando a disponibilidade registrada no CRM e a área de especialização do vendedor mais adequada ao perfil do lead. Isso eliminou o atrito do agendamento manual.\n\n4. Nutrição de Leads Personalizada: Para leads que não estavam prontos para a próxima etapa, o chatbot não os abandonava. Com base nas informações coletadas e no histórico do CRM, ele podia sugerir o download de e-books relevantes, convidar para webinars específicos ou enviar artigos de blog que abordavam suas dores. Essa nutrição era automatizada, mas com um toque personalizado, pois o conteúdo era selecionado dinamicamente.\n\n5. Suporte Pós-Venda Proativo: Após a venda, o chatbot continuava a ser um ponto de contato. Ele podia auxiliar em dúvidas sobre a implementação, direcionar para a base de conhecimento ou até mesmo coletar feedback inicial sobre a experiência do cliente. Se detectasse sinais de insatisfação ou dificuldade, o sistema podia gerar um alerta para a equipe de Customer Success.\n\nExemplo Prático:\n\nUm visitante entra no site procurando por uma solução de automação de marketing. O chatbot, ao invés de apenas mostrar a página de produto, inicia uma conversa:\n\n* Chatbot: "Olá! Vejo que você está interessado em automação de marketing. Que tipo de desafio sua empresa está enfrentando atualmente?"\n* Visitante: "Precisamos otimizar o envio de e-mails para diferentes segmentos de clientes e acompanhar o engajamento."\n* Chatbot: "Entendido. Isso é algo que nossa plataforma de automação de marketing pode resolver. Para que eu possa direcionar melhor sua solicitação, qual o tamanho aproximado da sua equipe de marketing e qual o volume de e-mails que vocês costumam enviar mensalmente?"\n\nAs respostas são registradas no CRM, atualizando o perfil do lead. Se o lead for considerado qualificado com base nas respostas e no comportamento de navegação, o chatbot pode prosseguir:\n\n* Chatbot: "Ótimo! Com base no que você compartilhou, acredito que uma demonstração personalizada seria muito útil. Temos um especialista em automação de marketing disponível amanhã às 10h ou na quinta-feira às 14h. Qual horário prefere?"\n\nEssa abordagem transforma a interação inicial de uma consulta genérica em um passo qualificado dentro da jornada de vendas, com dados enriquecidos e contextualizados diretamente no CRM.\n\n## Implementação Técnica\n\nA arquitetura para integrar IA Conversacional e CRM envolve diversas camadas tecnológicas e decisões de design. A Devisaah prioriza soluções robustas e escaláveis, considerando os trade-offs inerentes a cada escolha.\n\nComponentes Principais:\n\n1. Plataforma de IA Conversacional (Chatbot/Agente Virtual):\n * Tecnologia: Utilização de LLMs (Large Language Models) como GPT-4 (via API da OpenAI), Claude (via API da Anthropic) ou modelos open-source ajustados (fine-tuned) em dados específicos do cliente. Para interações mais estruturadas, plataformas como Dialogflow (Google) ou Microsoft Bot Framework podem ser utilizadas, integradas a LLMs para capacidades de compreensão mais avançadas.\n * Desenvolvimento: Criação de fluxos de conversação, definição de intenções (intents) e entidades (entities), e desenvolvimento de lógica de negócios para guiar a interação. O treinamento contínuo do modelo com dados reais é crucial.\n * Trade-off: Modelos proprietários (OpenAI, Anthropic) oferecem performance de ponta, mas geram custos de API e dependência. Modelos open-source exigem mais infraestrutura e expertise para fine-tuning e manutenção, mas oferecem maior controle e potencial de redução de custos a longo prazo.\n\n2. Plataforma de CRM:\n * Tecnologia: Soluções como Salesforce, HubSpot, Microsoft Dynamics 365, ou CRMs customizados desenvolvidos em plataformas como .NET, Node.js ou Python.\n * Customização: Criação de objetos e campos customizados para armazenar os dados gerados pela IA (ex: "Intenção do Lead", "Pontuação de Engajamento", "Histórico de Conversa IA"). Configuração de workflows e automações para reagir a novos dados.\n * Trade-off: CRMs prontos oferecem funcionalidades ricas e integrações nativas, mas podem ser caros e menos flexíveis. CRMs customizados oferecem máxima flexibilidade, mas exigem maior investimento inicial e esforço de manutenção.\n\n3. Camada de Integração (Middleware/APIs):\n * Tecnologia: APIs RESTful são o padrão. Para comunicação em tempo real, WebSockets ou serviços de mensagens como Kafka ou RabbitMQ podem ser usados. Plataformas de iPaaS (Integration Platform as a Service) como Mulesoft, Zapier ou Workato podem simplificar o processo, embora com custo associado.\n * Fluxo de Dados:\n * IA -> CRM: A IA envia dados estruturados (JSON) para o CRM via API REST. Isso inclui informações de perfil do lead, intenções detectadas, pontuações e resumos da conversa.\n * CRM -> IA: O CRM pode enviar dados de volta para a IA para contextualizar a conversa (ex: histórico de compras, tickets de suporte abertos). Isso é feito via chamadas de API do CRM para a aplicação que hospeda a IA ou através de webhooks disparados pelo CRM.\n * Autenticação: Uso de OAuth 2.0, chaves de API ou tokens JWT para garantir a segurança das comunicações entre os sistemas.\n * Tratamento de Erros: Implementação de mecanismos robustos de retry, filas de mensagens para garantir a entrega, e logging detalhado de falhas para diagnóstico.\n * Trade-off: APIs REST são amplamente suportadas, mas podem ter latência. WebSockets oferecem comunicação bidirecional em tempo real, mas adicionam complexidade. iPaaS acelera o desenvolvimento, mas pode ser uma caixa preta e cara.\n\n4. Orquestração e Lógica de Negócios:\n * Tecnologia: Pode ser implementada dentro da própria plataforma de IA, no CRM (workflows/Apex/plugins), ou em um serviço backend dedicado (ex: microserviços em Python/Node.js/Java).\n * Decisões: Definição de regras para pontuação de leads, regras de roteamento para a equipe de vendas, gatilhos para nutrição de conteúdo, e alertas para a equipe de Customer Success.\n * Trade-off: Centralizar a lógica no backend oferece maior flexibilidade e poder de processamento, mas aumenta a complexidade da arquitetura. Lógica no CRM é mais limitada, mas mais fácil de gerenciar para processos simples.\n\nArquitetura Típica:\n\nUma arquitetura comum seria:\n\n* Frontend (Site): Widget do Chatbot (desenvolvido em JavaScript, React, etc.).\n* Backend da IA: Servidor que hospeda o modelo de LLM ou se conecta à API externa. Processa as entradas do usuário, gera respostas e extrai intenções/entidades.\n* Serviço de Integração: Um serviço intermediário que recebe dados da IA, consulta/atualiza o CRM via API, e pode disparar ações adicionais (ex: enviar e-mail de notificação).\n* CRM: Repositório central de dados do cliente.\n* Serviços de Terceiros: APIs de calendário, ferramentas de e-mail marketing, etc.\n\nConsiderações Técnicas Adicionais:\n\n* Latência: O tempo de resposta da IA e da integração é crítico para a experiência do usuário. Otimizar chamadas de API e a infraestrutura de hospedagem da IA é fundamental.\n* Escalabilidade: A arquitetura deve suportar um volume crescente de interações simultâneas, especialmente em campanhas de marketing ou picos de tráfego no site.\n* Segurança: Proteger dados sensíveis do cliente é primordial. Garantir criptografia em trânsito e em repouso, e seguir as melhores práticas de segurança em APIs e autenticação.\n* Manutenção e Monitoramento: Implementar logging detalhado em todas as camadas para identificar e corrigir problemas rapidamente. Monitorar a performance da IA (taxa de acerto, relevância das respostas) e a saúde das integrações.\n\n## Benefícios Obtidos\n\nA implementação conjunta de IA Conversacional e CRM tem o potencial de gerar ganhos significativos e mensuráveis para as empresas B2B. Em projetos como os que desenvolvemos na Devisaah, observamos transformações notáveis na eficiência operacional e na performance de vendas.\n\nGanhos Mensuráveis e Estimativas Plausíveis:**\n\n1. Aumento na Taxa de Geração e Qualificação de Leads:\n * Exemplo Prático: Em um cenário comum, onde chatbots genéricos capturam pouca informação, a introdução de um agente conversacional inteligente pode aumentar a taxa de leads qualificados em até 30%. Isso ocorre porque o bot consegue engajar o visitante em conversas mais profundas, identificar necessidades e coletar dados relevantes de forma contínua.\n * Ganho Estimado: Uma empresa com 1000 leads por mês, onde 20% eram qualificados, pode ver esse número subir para 260 leads qualificados, sem aumentar o tráfego do site.\n\n2. Redução do Ciclo de Vendas:\n * Exemplo Prático: Ao automatizar a qualificação inicial, o agendamento de reuniões e a nutrição de leads, os vendedores podem focar em interações de alto valor. O lead recebe respostas e conteúdos relevantes mais rapidamente, acelerando sua jornada de decisão.\n * Ganho Estimado: Um ciclo de vendas que antes levava 90 dias, em projetos bem implementados, pode ser reduzido em 15-20%, chegando a 72-76 dias, devido à proatividade e personalização.\n\n3. Melhora na Eficiência da Equipe de Vendas e Marketing:\n * Exemplo Prático: Vendedores gastam menos tempo em tarefas repetitivas como qualificação inicial, busca por informações e agendamento. A equipe de marketing pode automatizar campanhas de nutrição baseadas em perfis detalhados.\n * Ganho Estimado: Redução de até 25% no tempo que a equipe de vendas dedica a atividades de baixa complexidade, permitindo mais tempo para negociação e fechamento.\n\n4. Aumento na Taxa de Conversão de Oportunidades:\n * Exemplo Prático: Com a personalização em escala, cada lead recebe um tratamento mais alinhado às suas necessidades específicas. A IA pode identificar o momento certo para uma oferta ou um follow-up, e o CRM garante que o vendedor tenha todo o contexto para uma abordagem assertiva.\n * Ganho Estimado: Um aumento de 10-15% na taxa de conversão de oportunidades em clientes, pois as abordagens são mais relevantes e oportunas.\n\n5. Melhora na Experiência e Satisfação do Cliente (CX):\n * Exemplo Prático: Clientes sentem que a empresa os entende desde o primeiro contato. Respostas rápidas e personalizadas, mesmo fora do horário comercial, criam uma percepção de valor e atenção.\n * Ganho Estimado: Embora mais difícil de quantificar diretamente, um aumento na pontuação de Net Promoter Score (NPS) ou Customer Satisfaction Score (CSAT) em 5-10 pontos é um resultado comum em projetos que focam na experiência do cliente.\n\n6. Otimização de Custos:\n * Exemplo Prático: Automatizar tarefas de atendimento e qualificação pode reduzir a necessidade de expandir equipes de suporte e vendas na mesma proporção do crescimento do negócio.\n * Ganho Estimado: Um ROI (Return on Investment) positivo em 6 a 12 meses, dependendo da escala da operação e do custo da solução implementada.\n\nEstes benefícios não são automáticos. Eles dependem de uma implementação cuidadosa, treinamento contínuo da IA, integração sólida com o CRM e alinhamento estratégico entre as equipes de vendas, marketing e tecnologia.\n\n## Erros Mais Comuns\n\nAo longo de nossa experiência consultiva, observamos erros recorrentes na implementação de soluções de IA Conversacional integradas a CRMs. Evitar esses equívocos é crucial para garantir que o projeto entregue o valor esperado e não se torne um desperdício de recursos.\n\n1. **Tratamento da IA como uma Solução Mágica (Silver Bullet):\n * Por que gera retrabalho: Implementar um chatbot sem um planejamento claro de como ele se encaixará nos processos existentes e sem definir objetivos mensuráveis leva a expectativas irreais. A IA é uma ferramenta poderosa, mas exige estratégia, dados de qualidade e treinamento contínuo.\n * Consequência: Frustração com a performance da IA, falha em atingir os KPIs esperados e a percepção de que a tecnologia não funciona.\n\n2. Integração Superficial com o CRM:\n * Por que gera retrabalho: Apenas enviar dados brutos do chatbot para o CRM sem estruturá-los ou sem criar fluxos de trabalho que utilizem essas informações. Por exemplo, o chatbot coleta a dor do cliente, mas essa informação não é exibida de forma clara para o vendedor no CRM, ou não aciona um follow-up automatizado.\n * Consequência: O CRM se torna mais um silo de dados, e o potencial de automação e personalização é perdido. A equipe de vendas continua a ter uma visão fragmentada do cliente.\n\n3. Falta de Treinamento e Ajuste Contínuo da IA:\n * Por que gera retrabalho: Modelos de IA, especialmente LLMs, precisam ser alimentados com dados e feedback para melhorar. Ignorar a análise das conversas, a correção de respostas incorretas ou a expansão do conhecimento da IA leva à sua obsolescência e à degradação da experiência do usuário.\n * Consequência: O chatbot começa a dar respostas erradas, genéricas ou irrelevantes, perdendo a confiança do usuário e exigindo intervenção manual frequente.\n\n4. Ignorar a Experiência do Usuário (UX) da Conversa:\n * Por que gera retrabalho: Criar fluxos de conversa robóticos, com perguntas excessivas ou respostas pouco claras. Não oferecer caminhos para o usuário falar com um humano quando necessário. A IA deve complementar, não frustrar.\n * Consequência: Taxas de abandono de conversa altas, leads irritados e uma percepção negativa da marca.\n\n5. Não Definir um Escopo Claro e Iterativo:\n * Por que gera retrabalho: Tentar resolver todos os problemas de uma vez com a IA e o CRM. Começar com um escopo muito amplo e ambicioso, sem fases de validação e aprendizado.\n * Consequência: Projeto se arrasta, custos aumentam, e o time perde o foco. É mais eficaz começar com um MVP (Minimum Viable Product) focado em um ou dois problemas chave e expandir gradualmente.\n\n6. Segurança e Privacidade de Dados Ignoradas:\n * Por que gera retrabalho: Não implementar medidas de segurança adequadas para proteger os dados coletados pela IA e armazenados no CRM. Não estar em conformidade com regulamentações como a LGPD.\n * Consequência: Vazamento de dados, multas pesadas, perda de confiança dos clientes e danos irreparáveis à reputação da empresa.\n\n7. Subestimar a Necessidade de Governança de Dados:\n * Por que gera retrabalho: Não estabelecer regras claras sobre quem pode acessar quais dados, como os dados são validados e atualizados, e como garantir a consistência entre os sistemas. Dados inconsistentes ou de má qualidade levam a decisões erradas baseadas na IA e no CRM.\n * Consequência: Relatórios imprecisos, automações falhas e perda de confiança nos sistemas.\n\nEvitar esses erros requer uma abordagem estratégica, colaboração entre equipes técnicas e de negócio, e um compromisso com a melhoria contínua.\n\n## Conclusão\n\nA integração de IA Conversacional com CRMs representa um salto qualitativo na forma como empresas B2B interagem com seus clientes. Longe de ser uma simples automação de tarefas, trata-se de uma redefinição da jornada do cliente, onde a personalização em escala se torna uma realidade tangível. Ao capacitar chatbots e agentes virtuais com inteligência para entender o contexto, o histórico e as necessidades específicas de cada lead, e ao garantir que essas informações sejam centralizadas e acionáveis dentro do CRM, criamos um ciclo virtuoso de engajamento e conversão.\n\nA complexidade técnica reside em construir uma arquitetura robusta que garanta a fluidez dos dados, a segurança e a escalabilidade. Decisões sobre a escolha dos modelos de IA, a profundidade da integração com o CRM, a orquestração dos fluxos de dados e o tratamento de erros são determinantes para o sucesso. A experiência prática demonstra que o foco deve ser na entrega de valor contínuo, começando com um escopo bem definido, iterando com base em feedback e mantendo um ciclo de aprimoramento constante da IA e dos processos.\n\nEstrategicamente, essa união permite não apenas otimizar o funil de vendas, mas também construir relacionamentos mais fortes e duradouros com os clientes. A capacidade de antecipar necessidades, oferecer suporte proativo e fornecer interações relevantes a qualquer momento transforma a experiência do cliente, impulsionando a lealdade e o crescimento sustentável.\n\nSe sua empresa busca otimizar a jornada do cliente B2B com personalização em escala e impulsionar suas vendas através de soluções inovadoras de IA e integração de sistemas, a Devisaah oferece expertise e desenvolvimento de soluções customizadas.\n\n## FAQ\n\n### 1. Qual a diferença entre um chatbot comum e um chatbot com IA conversacional integrado a um CRM?\n\nUm chatbot comum geralmente segue fluxos pré-definidos e responde a comandos ou palavras-chave específicas. A IA Conversacional utiliza modelos de linguagem avançados (LLMs) para entender a linguagem natural em um nível mais profundo, compreender o contexto, gerar respostas mais fluidas e personalizadas, e até mesmo inferir intenções. Quando integrado a um CRM, ele não apenas conversa, mas também acessa e atualiza dados do cliente em tempo real, permitindo personalização baseada em histórico e contexto de negócios.\n\n### 2. Como a IA Conversacional pode ajudar na qualificação de leads B2B?\n\nA IA Conversacional pode engajar leads em conversas mais detalhadas, fazendo perguntas relevantes sobre suas necessidades, desafios, tamanho da empresa e cargo. Com base nas respostas e na análise do comportamento do usuário, a IA pode atribuir uma pontuação (lead scoring) e determinar se o lead está pronto para ser passado para a equipe de vendas ou se precisa de mais nutrição. Isso automatiza e aprimora o processo de qualificação, economizando tempo da equipe comercial.\n\n### 3. Quais tipos de dados um chatbot pode extrair do CRM para personalizar a conversa?\n\nUm chatbot integrado pode acessar dados como histórico de interações anteriores do cliente com a empresa (e-mails, tickets de suporte), produtos ou serviços que o cliente já adquiriu, informações sobre o estágio atual do cliente no funil de vendas, dados demográficos e firmográficos (tamanho da empresa, setor), e até mesmo preferências de comunicação registradas. Essa informação permite que o chatbot personalize sua abordagem, ofereça soluções relevantes e demonstre que a empresa conhece o cliente.\n\n### 4. É possível que a IA Conversacional agende reuniões diretamente no calendário do vendedor?\n\nSim, essa é uma funcionalidade comum e muito valiosa. Através de integrações via API com sistemas de calendário (como Google Calendar, Outlook Calendar) e com o próprio CRM, a IA Conversacional pode verificar a disponibilidade dos vendedores mais adequados para atender um lead e oferecer horários específicos para agendamento. Após a confirmação do lead, a reunião é automaticamente criada no calendário de todos os envolvidos e registrada no CRM.\n\n### 5. Quais são os principais desafios técnicos na integração de IA Conversacional e CRM?\n\nOs principais desafios incluem garantir a segurança e a privacidade dos dados durante a troca de informações, gerenciar a latência para oferecer respostas em tempo real, construir uma arquitetura escalável que suporte um grande volume de interações, definir fluxos de dados consistentes e robustos, e implementar um tratamento de erros eficaz. Além disso, o treinamento e a manutenção contínua dos modelos de IA para garantir sua precisão e relevância são cruciais.\n\n### 6. Como a IA Conversacional ajuda na retenção de clientes B2B?\n\nApós a venda, a IA Conversacional pode atuar no suporte ao cliente, respondendo a perguntas frequentes, guiando na utilização do produto ou serviço, e coletando feedback. Se a IA detectar sinais de insatisfação ou dificuldades, ela pode escalar o problema para a equipe de suporte ou Customer Success, permitindo uma intervenção proativa. Essa assistência contínua e personalizada contribui significativamente para a satisfação e lealdade do cliente.\n\n### 7. Preciso de uma equipe técnica interna para gerenciar essa integração?\n\nDepende da complexidade da solução e da infraestrutura existente. Para integrações mais simples, ferramentas de automação e plataformas de baixo código podem ser suficientes. No entanto, para um alto grau de personalização, treinamento avançado da IA, e integrações complexas com sistemas legados, o ideal é contar com uma equipe especializada em desenvolvimento, IA e integração de sistemas, como a Devisaah, seja para o desenvolvimento inicial ou para o suporte contínuo.\n\n### 8. Como garantir que a IA Conversacional represente a voz e os valores da minha marca?\n\nIsso é alcançado através do treinamento cuidadoso do modelo de linguagem com diretrizes de marca, tom de voz, linguagem permitida e proibida, e exemplos de conversas alinhadas aos valores da empresa. A definição de personas para a IA e a revisão constante das suas interações são essenciais para manter a consistência e garantir que a IA atue como um embaixador da marca.\n" }