Como cientista de dados no Santander, nossa tarefa era melhorar o envolvimento dos clientes por meio de mensagens de marketing altamente personalizadas.
O objetivo é utilizar a Inteligência Artificial Generativa para criar mensagens que ressoem com cada cliente individualmente.
Aqui estão as estapas que seguiremos:
- Extração e Obtenção de Dados dos Clientes
- Geração de Mensagens Personalizadas
- Atualização de Dados dos Clientes
Faremos a extração de um arquivo .json de uma API SDW contendo os clientes fictícios do banco Santander.
Salvando essa lista em uma variável para ser atualizada conforme a mensagem gerada.
O arquivo .json fornecido pela API tem o seguinte formato:
[
{
"id": 0,
"name": "string",
"account": {
"id": 0,
"number": "string",
"agency": "string",
"balance": 0,
"limit": 0
},
"card": {
"id": 0,
"number": "string",
"limit": 0
},
"features": [
{
"id": 0,
"icon": "string",
"description": "string"
}
],
"news": [
{
"id": 0,
"icon": "string",
"description": "string"
}
]
}
]
Onde:
- id: Um
int
com o id de cada cliente; - name: Uma
string
com o nome do cliente; - account: Um
dict
com as informações de id da conta (id), número da conta (number), agência (agency), saldo (balance) e limite (limit); - card: Um
dct
com as informações de id da conta (id), número do cartão (number), limite do cartão (limit); - features: Um
dict
contendo as informações e características do cliente; - news: Um
dict
que contém as mensagens personalizadas para o cliente.
Para a geração de mensagens usamos o ChatGPT e sua API da OpenAI, assim ele gera uma mensagem personalizada com base no nome e no limite do cliente.
Agora com a mensagem personalizada precisamos envia-la de volta a API de banco de dados dos clientes, atualizando a mensagem no banco de dados. E em caso ocorra tudo certo, será feito um 'print' com a mensagem:
"User {user} updated: True!"
,
caso contrário:
"User {user} updated: False! Error: {error_code}"
informando o erro.