Uma base de contatos pode reunir a mesma pessoa mais de uma vez, com e-mails diferentes, telefone antigo, nome abreviado ou cadastro vindo de sistemas distintos. Isso parece um problema simples até alguém mesclar dois registros que pertencem a pessoas diferentes, apagar um histórico necessário ou escolher como principal justamente o dado desatualizado.
Há espaço para uma microentrega responsável: identificar pares prováveis, reunir as evidências de cada correspondência e preparar uma fila de decisões para o cliente. A IA pode ajudar a comparar campos e explicar semelhanças, mas não deve executar a mesclagem nem decidir sozinha qual informação será preservada. O produto é um inventário revisável, não uma promessa de CRM perfeito.
O que é a microentrega
O serviço parte de uma exportação autorizada e termina com uma tabela de candidatos a duplicidade. Cada par recebe identificadores de origem, campos comparados, sinais favoráveis, conflitos, nível de certeza operacional e uma ação proposta. As ações possíveis incluem revisar, manter separado, corrigir um campo, vincular os registros ou encaminhar uma mesclagem para o administrador do sistema.
A entrega não altera o CRM, não dispara mensagens e não exclui registros. Ela organiza o trabalho anterior à decisão. Essa separação é importante porque uma correspondência aproximada pode encontrar variações legítimas, mas também pode aproximar homônimos, contas compartilhadas ou pessoas da mesma família.
O que o cliente recebe
Um pacote auditável pode conter:
- Escopo: origem dos dados, data da exportação, campos incluídos, exclusões e responsável pela aprovação.
- Cópia preservada: arquivo original sem alterações, mantido conforme o prazo combinado.
- Regras de comparação: critérios exatos e aproximados usados para formar candidatos.
- Fila de pares: identificadores, evidências, conflitos e recomendação provisória.
- Mapa de campos: indicação do valor que parece mais atual, sempre sujeita à confirmação.
- Relatório de revisão: decisões aceitas, rejeitadas, pendentes e motivos registrados.
O cliente recebe rastreabilidade para decidir. Não recebe garantia de aumento de vendas, redução de custo, recuperação de clientes ou eliminação total de duplicatas.
O que fica fora do primeiro trabalho
Não comece com acesso administrativo, automação de mesclagem, exclusão em massa ou sincronização entre sistemas. Também deixe fora decisões que dependem de identidade confirmada, consentimento, cobrança, saúde, crédito, emprego, benefício ou qualquer contexto em que unir pessoas erradas possa causar dano relevante.
Registros sem evidência suficiente devem continuar separados. O objetivo não é reduzir a quantidade de linhas a qualquer custo. É encontrar casos que uma pessoa autorizada consegue revisar com segurança.
Pré-requisitos e autorização
Antes de receber a exportação, registre quem controla a base, qual finalidade permite o tratamento, quais campos são necessários, quem pode visualizar o material e quem tem autoridade para aprovar uma eventual mesclagem. Combine ainda o canal de transferência, o local de trabalho, a retenção das cópias e a forma de descarte.
Contatos costumam conter dados pessoais. O guia da ANPD sobre segurança da informação para agentes de pequeno porte trata confidencialidade, integridade, disponibilidade e gerenciamento de riscos como partes da proteção dessas informações. Isso não substitui avaliação jurídica, mas ajuda a justificar acesso mínimo, cópias controladas e registro das operações.
Passo 1: preserve a origem
Guarde a exportação original sem editar e gere um identificador estável para cada linha. Se o sistema já fornece um ID de registro, preserve-o. A tabela de trabalho deve apontar para esse ID, não depender apenas de nome ou posição na planilha.
Registre também a data e os filtros usados na exportação. Uma base muda enquanto a análise acontece. Sem esse contexto, o cliente pode tentar aplicar uma decisão a um registro que já foi atualizado, mesclado ou removido por outra rotina.
Passo 2: normalize sem apagar diferenças
Crie colunas auxiliares para comparação. Nelas, você pode remover espaços extras, padronizar maiúsculas e minúsculas, separar código de país do telefone e tratar acentos para fins de busca. Mantenha os campos originais ao lado. A versão normalizada é uma chave de análise, não uma correção automática.
O manual oficial do OpenRefine sobre agrupamento e edição explica que o clustering encontra textos semelhantes, mas exige aprovação do usuário para cada edição sugerida. A própria documentação recomenda começar pelos métodos mais estritos e avançar para os mais permissivos, que exigem maior supervisão humana.
Passo 3: comece por identificadores fortes
Forme primeiro candidatos com sinais de alta precisão definidos pelo cliente, como o mesmo ID externo, e-mail completo ou outro campo realmente único naquele sistema. Não trate telefone, nome ou domínio empresarial como universais sem entender como a organização os usa.
A documentação do HubSpot sobre deduplicação mostra que o produto usa e-mail para contatos, domínio para empresas e IDs ou propriedades únicas em importações. Ela também descreve situações em que a importação sem identificador pode criar novos registros. O ponto útil não é copiar a regra do fornecedor, mas reconhecer que cada campo tem um papel específico no sistema de destino.
Passo 4: use semelhança apenas para criar candidatos
Depois dos casos exatos, procure variações como nome abreviado, inversão de sobrenomes, erro de digitação, espaços ou formatação diferente. A IA pode explicar por que dois registros parecem relacionados, mas a saída deve ser “par candidato”, nunca “duplicata confirmada” quando a evidência é apenas aproximada.
Evite uma pontuação opaca. Prefira uma lista de sinais observáveis: mesmo e-mail, telefone com final igual, empresa coincidente, cidade compatível, nome parecido e datas conflitantes. Isso permite ao revisor entender a sugestão e rejeitá-la sem precisar confiar em uma nota produzida pelo modelo.
Passo 5: trate conflitos como parte da entrega
Dois registros podem apontar para a mesma pessoa e ainda discordar em cargo, telefone, endereço, preferência de contato ou consentimento. Não escolha automaticamente o valor mais recente sem verificar a origem e o significado da data. Uma atualização de sistema não prova que o dado foi confirmado pelo titular.
Crie uma coluna para cada conflito relevante e deixe explícito o que precisa ser decidido. Em sistemas que preservam histórico, talvez seja melhor vincular registros ou atualizar um campo sem mesclar tudo. A recomendação depende das regras do cliente e das capacidades do sistema.
Exemplo ilustrativo
Exemplo ilustrativo, com dados fictícios: o registro C-104 contém “Marina de Souza”, e-mail marina.souza@exemplo.com e telefone terminado em 4481. O registro C-877 contém “Marina Souza”, o mesmo e-mail e um telefone terminado em 9026. A semelhança do nome e o e-mail idêntico formam um candidato forte, mas o telefone divergente continua visível.
A fila pode recomendar: “confirmar se C-104 e C-877 representam a mesma pessoa; preservar os dois telefones até identificar qual é atual; não mesclar histórico de consentimento sem revisão”. O exemplo não afirma que a pessoa existe, não reproduz uma tela real e não executa a decisão.
Passo 6: escolha o registro principal com critérios
Quando o cliente confirmar a duplicidade, documente como será escolhido o registro principal. Critérios possíveis incluem ID usado por integrações, vínculo com transações, completude verificada e data de confirmação de campos. Nenhum desses critérios deve ser presumido fora do sistema real.
No material do Salesforce Trailhead sobre contatos duplicados, regras de correspondência localizam candidatos e regras de duplicidade definem a ação. A documentação também alerta que a mesclagem pode ser irreversível e exige permissões adequadas. Isso reforça por que o relatório deve chegar ao administrador antes de qualquer mudança destrutiva.
Passo 7: revise por faixas de risco
Separe os candidatos em grupos operacionais. Casos com identificador forte e sem conflito podem ir para revisão simples. Casos com campos contraditórios precisam de conferência detalhada. Homônimos, contas familiares, e-mails compartilhados e registros ligados a histórico sensível devem permanecer fora de qualquer ação em lote.
Peça ao revisor que registre a decisão e o motivo. “Mesclar” sem justificativa não ensina nada ao próximo ciclo. Uma rejeição documentada pode revelar que determinada regra aproxima pessoas diferentes e precisa ser ajustada.
Passo 8: entregue um plano reversível
Se o cliente contratar a execução, faça primeiro um backup ou exportação aprovada, teste poucos casos e valide o resultado no próprio sistema. Confira relacionamentos, atividades, preferências e integrações antes de ampliar o lote. Não trate a planilha de candidatos como comando automático.
O Bastidores já mostrou como preservar o original e documentar regras em uma limpeza de planilha. A mesma disciplina ajuda aqui, mas a deduplicação acrescenta uma decisão de identidade: duas linhas parecidas podem representar pessoas distintas.
Checklist de qualidade
- A exportação e a finalidade foram autorizadas.
- O arquivo original permanece separado e íntegro.
- Cada linha tem identificador estável de origem.
- Normalizações aparecem em colunas auxiliares.
- Regras exatas e aproximadas estão documentadas.
- Semelhança gera candidato, não confirmação automática.
- Conflitos permanecem visíveis.
- Casos sensíveis ou ambíguos ficam fora do lote.
- O cliente aprova cada decisão de mesclagem.
- Nenhum registro é excluído pela etapa de análise.
Erros comuns e como corrigir
Usar apenas o nome: acrescente identificadores e contexto. Nomes iguais não provam identidade, e nomes diferentes podem pertencer à mesma pessoa.
Ocultar o conflito: preserve os dois valores e peça uma decisão. Escolher silenciosamente o campo mais longo ou mais novo pode apagar informação válida.
Enviar a base inteira para qualquer IA: reduza campos, use o ambiente aprovado e combine retenção. O guia do Bastidores sobre separar arquivos e contextos de clientes ajuda a limitar contaminação entre projetos.
Mesclar direto no CRM: transforme a primeira entrega em fila revisável. A execução é uma etapa separada, com backup, permissão e validação.
Prometer base limpa: descreva o lote, os critérios e os pendentes. Novos cadastros, integrações e mudanças de dados podem criar outros candidatos depois.
Como definir escopo sem prometer resultado financeiro
Descreva a entrega por fonte, campos analisados, tamanho do lote acordado, regras testadas, formato da fila e rodadas de revisão. Informe claramente se o trabalho termina na recomendação ou inclui apoio à execução pelo administrador.
Não associe a microentrega a faturamento, conversão, recuperação de receita ou economia garantida. Uma base mais coerente pode apoiar processos, mas o efeito depende do uso, da qualidade da origem e das decisões do cliente.
Como medir a utilidade do piloto
Use medidas verificáveis no próprio lote: candidatos aceitos, rejeitados e pendentes; regras que produziram falsos positivos; campos com mais conflitos; casos que exigiram consulta ao sistema; e decisões que não puderam ser tomadas com a evidência disponível.
Uma conclusão útil pode ser “o e-mail identifica bem este conjunto, mas telefones compartilhados exigem revisão” ou “a origem B não preserva o ID necessário”. O relatório deve orientar a próxima decisão, não fabricar um caso de sucesso.
Resultado esperado e limite final
Ao final, o cliente deve conseguir abrir a fila, entender por que cada par foi sugerido e decidir sem depender de uma nota misteriosa da IA. Os registros aprovados seguem para um plano de execução; os rejeitados e pendentes permanecem separados com o motivo registrado.
O limite é deliberado: identificar candidatos não confirma identidade, e preparar uma mesclagem não autoriza apagar dados. A microentrega termina onde começa a mudança destrutiva no sistema.
Fontes consultadas
- HubSpot, deduplicação de registros.
- OpenRefine, agrupamento e edição de células.
- Salesforce Trailhead, gerenciamento de contatos e contas duplicados.
- ANPD, segurança da informação para agentes de tratamento de pequeno porte.
Capa: ilustração editorial original criada para o Bastidores da IA. Não é captura de CRM, relatório real ou prova de resultado.