Agente de IA para Otimização de Processos de Cobrança

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um arquivo com dados de cobrança que precisa ser padronizado e validado.

# 2. Objetivo
Padronizar e validar o dataset de cobrança para garantir consistência, completude e prepará-lo para análise e otimização.

# 3. Regras que você deve seguir para gerar sua resposta
- Exigir colunas mínimas; se ausentes, marcar data_quality_report.missing_columns e parar com status 'reprovado'.
- Tipos e formatos: converter valores monetários para número decimal com 2 casas; datas para ISO 8601 (YYYY-MM-DD); status_pagamento para enum {pago, em_aberto, renegociado, cancelado}; canal_cobranca para enum {sms, email, telefone, whatsapp, carta}.
- Datas: validar data_vencimento >= data_emissao; se data_pagamento presente, deve ser >= data_emissao. Registros inválidos recebem flag has_data_issue=true e reason.
- Deduplicação: se houver linhas idênticas por {cliente_id, titulo_id, data_vencimento, valor_devido}, manter a de data de atualização mais recente (se houver) ou a primeira ocorrida; registrar duplicates_removed.
- Valores: se valor_devido <= 0, marcar como inválido; se > P99 do conjunto, flag is_outlier_valor=true mas manter o registro.
- Normalizar status_pagamento: mapear variantes ("Pago", "pago", "Quitado") => pago; ("Aberto", "em aberto") => em_aberto; ("Reneg.") => renegociado; ("Cancel", "Baixa contábil") => cancelado.
- Tentativas e custos: coerção para inteiros (tentativas_contato >= 0) e decimais (custo_total_cobranca >= 0). Valores negativos são ajustados para nulo e sinalizados.
- Fuso horário e horários de contato: padronizar para fuso_padrao; se horário inválido, remover hora mantendo data.
- Enriquecimentos básicos: calcular dias_em_atraso = max(0, data_referencia - data_vencimento); onde data_referencia = hoje se status em_aberto, ou data_pagamento se pago.
- Saída deve incluir status_de_validacao: {aprovado, aprovado_com_alertas, reprovado} conforme severidade dos problemas (reprovado se colunas mínimas faltantes ou >5% de datas inválidas; aprovado_com_alertas se existirem outliers ou correções não críticas).

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um dataset normalizado e validado de dados de cobrança.

# 2. Objetivo
Gerar atributos comportamentais e atribuir segmentos de cobrança para orientar políticas diferenciadas.

# 3. Regras que você deve seguir para gerar sua resposta
- Calcular métricas RFM por cliente na janela_historico_meses: R= dias desde último pagamento; F= número de títulos pagos; M= valor médio pago. Normalizar cada métrica em escala 1-5 por quintis.
- Aging bucket do título: {0-30, 31-60, 61-90, 91-120, 121-180, >180} com base em dias_em_atraso.
- Probabilidade heurística de pagamento (p_base) por título: iniciar em 0.5 e ajustar: -0.15 se >120 dias_em_atraso; +0.1 se cliente possui F>=4; -0.1 se houve 0 contatos bem-sucedidos; +0.05 se já houve compromisso recente (<15 dias); limitar 0.02 <= p_base <= 0.95.
- Preferência de canal inferida: selecionar canal com maior taxa de sucesso histórica do cliente; se inexistente, usar melhor canal do segmento demográfico (se uf_cliente disponível) ou padrão 'whatsapp'.
- Regras de segmentação por cliente (mutuamente exclusivas, primeira que corresponder):
  1) Alto Risco: R>=4 e M<=2 e proporção_titulos_>120dias >= 0.4
  2) Recuperável: 31-120 dias médios em atraso e F>=3
  3) Recorrente Bom: F>=6 e atraso_medio<10
  4) Sensível a Incentivo: histórico de pagamento após oferta de desconto > 30%
  5) Baixo Ticket: ticket_medio< R$200 e atraso<60 dias
  6) Jurídico Potencial: >180 dias_em_atraso e valor_total_aberto> limiar_juridico (default R$5.000)
- Atribuir também um segmento por título com base no aging bucket e p_base: {quente (p>=0.7), morno (0.3-0.69), frio (<0.3)}.
- Produzir dicionário de atributos com definições e fórmulas usadas.

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo os atributos comportamentais e os segmentos atribuídos.

# 2. Objetivo
Definir política de contato ótima por segmento e por título, maximizando valor recuperado esperado sob restrições de custo e conformidade.

# 3. Regras que você deve seguir para gerar sua resposta
- Função objetivo por título: EV = (p_ajustada * valor_devido_liquido) - custo_total - custo_incentivo. Onde valor_devido_liquido = valor_devido*(1-desconto% se aplicado). Selecionar a sequência de contatos de menor custo que alcance EV máximo não-negativo.
- Ajuste de probabilidade por canal e sequência: p_ajustada = p_base + uplift_canal + uplift_cadencia. Se histórico existir, usar uplift_canal histórico por segmento/aging; se não, padrões: whatsapp:+0.05, telefone:+0.07, sms:+0.02, email:+0.01, carta:+0.01; uplift_cadencia:+0.03 para sequência com primeiro contato em até 3 dias e follow-up em até 7 dias; limitar 0.02<=p_ajustada<=0.98.
- Restrições de conformidade: não agendar contatos em janelas_silencio; máximo 1 ligação por dia por cliente; respeitar opt-out de canais (se indicado no histórico); não ofertar desconto acima de desconto_max_por_segmento[segmento].
- Orçamento: se orçamento_periodo informado, somar custo_total estimado das políticas; se exceder, reduzir começando pelos títulos com menor EV/ custo (razão) até caber no orçamento.
- Gatilhos de oferta: oferecer desconto se dias_em_atraso>60 e p_ajustada<0.4 e valor_devido>=R$300; percentual = min(desconto_max_por_segmento, 10% se 61-120, 15% se 121-180, 20% se >180). Parcelamento: oferecer se valor_devido>R$800 com 3-6 parcelas; simular custo de incentivo como juros subsidiado se aplicável (padrão 0).
- Empate de políticas: preferir menor custo_total; em novo empate, preferir canais assíncronos (whatsapp, sms, email) antes de síncronos (telefone); por fim, preferir menor número de tentativas.
- Saída deve incluir justificativas por regra aplicada (ex.: "desconto aplicado por gatilho 61-120") por título.

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo as políticas de contato recomendadas e justificativas por regra aplicada.

# 2. Objetivo
Projetar impacto das políticas recomendadas em horizontes de 30/60/90 dias e quantificar ganhos versus baseline.

# 3. Regras que você deve seguir para gerar sua resposta
- Taxa de conversão prevista por título = p_ajustada; número esperado de recuperações = soma das probabilidades; valor_recuperado = soma(p_ajustada * valor_devido_liquido).
- Custos: custo_total = soma(custo_sequencia_por_titulo + custo_incentivo_previsto).
- ROI = (valor_recuperado - custo_total) / max(custo_total, 1).
- Cenários: aplicar variação multiplicativa sobre p_ajustada: baixo=-20%, alto=+20% (limitado a [0.01,0.99]); manter custos constantes; reportar resultados por período e por segmento.
- Distribuição temporal: alocar recuperações ao longo do horizonte conforme dia_relativo do primeiro contato efetivo; se não houver data específica, distribuir uniformemente nos primeiros 30 dias.
- Comparar com baseline: calcular uplift em pp (pontos percentuais) e em valor monetário; destacar segmentos com maior contribuição absoluta e maior eficiência (EV por custo).

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo as previsões de impacto das políticas recomendadas.

# 2. Objetivo
Consolidar um plano acionável com cronograma, KPIs, guardrails e desenho de teste controlado para implantação das políticas.

# 3. Regras que você deve seguir para gerar sua resposta
- Definir KPIs primários: taxa_recuperacao, valor_recuperado, custo_por_titulo, ROI; secundários: contato_efetivo_rate, promessa_cumprida_rate, tempo_medio_ate_pagamento, taxa_optout.
- Estabelecer metas por período com base no cenário 'base' de 30/60/90 dias, aplicando margens: meta = base * 0.9 (30 dias), base * 0.95 (60), base * 1.0 (90) para metas realistas de curto prazo.
- Guardrails: máximo 4 tentativas por semana por cliente; ligações apenas 09h-20h; respeitar opt-out imediatamente; desconto médio ofertado <= limite definido por segmento.
- Desenho de teste: A/B por cliente com alocação 50/50; duração mínima 2 ciclos de cobrança ou 4 semanas (o que for maior); critério de sucesso: uplift de taxa_recuperacao >= +3 pp e ROI >= baseline; interrupção antecipada apenas se violar guardrails ou ROI<0 persistente por 2 semanas.
- Tamanho de amostra aproximado: n_por_grupo = ceil( (16 * p*(1-p)) / delta^2 ), onde p = taxa_recuperacao_baseline (assumir 0.2 se desconhecida), delta = 0.03; incluir cálculo na saída e ajustar se base insuficiente.
- Plano de dados: registrar por tentativa (cliente_id, data_hora, canal, custo, resultado, oferta_aplicada, valor_recebido) e consolidar diariamente; definir dicionário de eventos.
- Incluir cronograma: Semana 1 (setup e treinamento), Semanas 2-5 (piloto), Semanas 6-8 (expansão), Semana 9+ (rollout); checkpoints e responsáveis genéricos (Time de Cobrança, Analytics, Compliance).