Case · RE/MAX · Inteligência imobiliária
Transformando dados imobiliários em um sistema inteligente de captação e decisão.
Método, fluxo e agentes são apresentados em ambiente de demonstração e no tour (exemplo ilustrativo). Resultados medidos do cliente não são publicados nesta página.
01
Resumo executivo
Uma rede imobiliária nacional tem estoque fragmentado, oferta distribuída no território e compradores que dizem o que procuram em frases, não em filtros. O case mostra como a Menlo Tech traduz esse problema em um sistema: interpreta a intenção, cruza com um grafo geográfico e com os imóveis, ordena as opções com critérios explícitos e coordena agentes que publicam conteúdo e aprendem com o mercado.
Método, fluxo e agentes são apresentados em ambiente de demonstração e no tour (exemplo ilustrativo). Resultados medidos do cliente não são publicados nesta página.
Este case não publica resultados medidos. As relações abaixo são hipóteses do desenho, e não números.
02
Contexto de negócio
A RE/MAX opera como rede: escritórios e corretores espalhados pelo país, com carteiras próprias, e uma marca que precisa ser encontrada por quem busca onde morar.
Para o comprador, o imóvel certo depende de lugar, preço, deslocamento, escola, vizinhança e rotina. Para a rede, depende de transformar esse conhecimento local em páginas e respostas úteis, em escala.
03
O problema operacional
A busca por filtros prefixados (bairro, preço, quartos) perde o que as pessoas realmente dizem: perto do metrô, sem baldeação, com escola a pé e silencioso.
Os dados estão desconectados: imóveis, geografia, demanda de busca e conteúdo vivem em sistemas diferentes, e cada lacuna vira trabalho manual ou oportunidade perdida.
04
Processo atual e limitações
Antes
- Busca por filtros fixos, sem interpretar a intenção.
- Conteúdo local produzido página a página, com revisão manual.
- Estoque, geografia e demanda em bases separadas.
Limitações
- Intenções compostas não cabem em filtros.
- A escala de páginas locais depende de horas editoriais.
- Sem ciclo de aprendizado, o que funciona não se repete de forma sistemática.
05
Arquitetura de dados
Imóveis
Atributos que descrevem cada imóvel e seu estado de publicação.
- Preço, área e quartos
- Localização e características
- Estado: ativo, em revisão, publicado
Geografia
Entidades do território ligadas em um grafo.
- Bairros e vizinhanças
- Estações e linhas
- Escolas e eixos de deslocamento
Demanda
O que as pessoas procuram e perguntam.
- Consultas de busca
- Sugestões e perguntas feitas a assistentes
- Intenções agrupadas
Comportamento
Sinais que alimentam o aprendizado.
- Navegação
- Contatos
- Conversão
Fontes e volumes reais dependem de dados aprovados pelo cliente. O tour e a demonstração usam dados ilustrativos.
06
Formulação matemática
Recuperação semântica
Exemplo ilustrativo · Parâmetros ilustrativosInterpretação de negócio
A frase do comprador e cada imóvel viram vetores (embeddings), e a similaridade mede o quão próximos estão. É assim que “perto do metrô” encontra imóveis descritos com outras palavras.
Variáveis
- ssimilaridade entre a consulta e o imóvel (de −1 a 1)
- qconsulta do comprador
- pimóvel candidato
- Efunção que transforma texto em vetor
Função objetivo
Gerar candidatos: manter os imóveis mais próximos da consulta para ordená-los depois.
Restrições
- Restrições rígidas filtram antes (por exemplo, imóvel ativo e região).
- A similaridade gera candidatos; não decide sozinha.
Exemplo prático
Uma consulta sobre apartamento perto do metrô para ir ao trabalho aproxima imóveis em bairros com estação, mesmo quando o anúncio não usa essas palavras.
Implicação de negócio
Menos imóveis relevantes ficam invisíveis por causa de vocabulário.
Premissas e limitações
A qualidade depende do modelo de embeddings e da cobertura dos dados.
Ranqueamento multiobjetivo
Exemplo ilustrativo · Parâmetros ilustrativosInterpretação de negócio
Critérios normalizados (local, preço, transporte, escola, conforto, preferências) se combinam em uma nota por imóvel.
Variáveis
- Sadequação do imóvel p à consulta q
- wᵢpeso do critério i (não negativo; somam 1)
- fᵢcritério i normalizado entre 0 e 1
- nnúmero de critérios
Função objetivo
Maximizar a adequação percebida, respeitando restrições rígidas.
Restrições
- Restrições rígidas eliminam candidatos antes da soma (por exemplo, sem baldeação, quando o comprador exige).
- Os pesos somam 1 e podem variar conforme a intenção.
Exemplo prático
Na demonstração, mudar o peso de escola a pé reordena os imóveis e mostra quanto cada critério contribuiu para a nota.
Implicação de negócio
A ordem deixa de ser opaca: cada posição tem justificativa e trade-offs explícitos.
Premissas e limitações
Os pesos precisam ser calibrados com evidência de conversão; os do exemplo são ilustrativos.
Otimização com restrições
Exemplo ilustrativo · Parâmetros ilustrativosInterpretação de negócio
Escolher o que publicar, destacar ou captar com recursos limitados é um problema de otimização: cada ação tem valor esperado e custo.
Variáveis
- xᵢ1 se a ação i é executada; 0 caso contrário
- vᵢvalor esperado da ação i
- aᵢesforço ou custo da ação i
- borçamento de esforço disponível
Função objetivo
Maximizar o valor esperado total das ações escolhidas.
Restrições
- A soma dos esforços não passa do orçamento.
- Só entram ações elegíveis pela política (qualidade e regras do portal).
- Cada ação entra inteira ou não entra.
Exemplo prático
Entre as páginas candidatas, quais publicar nesta onda dado o limite de revisão editorial? O tour mostra o lançamento em ondas com critérios de parada.
Implicação de negócio
O esforço editorial vai para onde mais pode render.
Premissas e limitações
O valor vᵢ depende de previsão de demanda; sem dados medidos, é uma hipótese a validar.
Previsão de demanda
Exemplo ilustrativo · Parâmetros ilustrativosInterpretação de negócio
Combina o histórico recente com a previsão anterior para estimar a procura nos próximos períodos. Geografia e sazonalidade entram como extensões do modelo.
Variáveis
- ŷdemanda prevista
- ydemanda observada
- αpeso do dado recente (entre 0 e 1)
Função objetivo
Minimizar o erro de previsão.
Restrições
- α fica entre 0 e 1.
- Sazonalidade e geografia pedem modelos próprios, além deste suavizador.
Exemplo prático
Se a busca por morar em um bairro sobe todo início de ano, a previsão antecipa páginas e estoque para esse período.
Implicação de negócio
Prioriza lançamentos onde a procura tende a crescer.
Premissas e limitações
A suavização exponencial é o método mais simples, usado aqui para explicar a ideia; a escolha final exige validação com dados reais.
Jornadas como cadeia de Markov
Exemplo ilustrativo · Parâmetros ilustrativosInterpretação de negócio
Cada visita passa por estados (busca, lista, imóvel, contato, conversão). As probabilidades de transição descrevem para onde a navegação costuma ir.
Variáveis
- Xestado da jornada no passo t
- Pᵢⱼprobabilidade de passar do estado i ao estado j
Função objetivo
Estimar a probabilidade de conversão e localizar onde as jornadas se perdem.
Restrições
- Cada linha da matriz de transição soma 1.
- Assume que o próximo passo depende só do estado atual.
Exemplo prático
Se muitas jornadas saem da lista para fora do site, a melhoria prioritária está na lista, não no imóvel.
Implicação de negócio
O ciclo de aprendizado mira a etapa que mais perde.
Premissas e limitações
Exige dados de navegação com consentimento; as probabilidades de exemplo não são medidas.
07
Arquitetura de IA e agentes
- Agente de IntençãoTransforma a frase do comprador em intenção estruturada, com restrições rígidas e preferências.
- Agente de Correspondência de ImóveisRecupera candidatos por similaridade e aplica as restrições.
- Agente de Inteligência GeográficaConsulta o grafo para deslocamentos, estações, escolas e vizinhança.
- Agente de Qualidade de ConteúdoConfere se a página tem os blocos obrigatórios a partir de dados e se o texto é útil.
- Agente de Validação de SEOVerifica regras de indexação, duplicidade e limites de arquivo.
- Agente de PublicaçãoPublica em ondas, dentro dos critérios de parada.
- Agente de Análise de DesempenhoAcompanha indexação e impressões e alimenta o aprendizado.
Camada de política
Os agentes propõem; uma camada de política valida cada ação antes de executar. O que um agente não pode fazer, como publicar sem passar pelo controle de qualidade, é regra e não sugestão.
08
Fluxo de execução
- Exemplo ilustrativo
Consulta em linguagem natural
O comprador descreve o que procura com as próprias palavras.
- Exemplo ilustrativo
Classificação de intenção
A frase vira intenções: deslocamento, escola, silêncio, luz natural.
- Exemplo ilustrativo
Representação semântica
Consulta e imóveis viram vetores para comparação.
- Exemplo ilustrativo
Grafo de conhecimento
O território entra como entidades e relações verificáveis.
- Exemplo ilustrativo
Correspondência de imóveis
Candidatos são recuperados e filtrados por restrições rígidas.
- Exemplo ilustrativo
Ranqueamento e otimização
Os critérios se combinam; trade-offs ficam explícitos.
- Exemplo ilustrativo
Execução por agentes
Agentes preparam páginas e respostas; a política valida.
- Arquitetura proposta
Feedback de conversão
O que converte volta ao ranqueamento e à priorização.
09
Demonstração interativa
Do pedido em linguagem natural aos imóveis recomendados
Escreva o que você procura. A demonstração extrai a intenção, aplica restrições, ordena um catálogo sintético com critérios explícitos e mostra o rastro dos agentes. Nada aqui é dado real da RE/MAX.
10
Governança e supervisão humana
Uma camada de política valida cada ação dos agentes antes da execução: elegibilidade da página, blocos obrigatórios vindos de dados, limites de arquivo e regras de qualidade.
Editores humanos revisam o que a automação não resolve com segurança e decidem as exceções.
O lançamento é em ondas com critérios de parada explícitos: a próxima onda só abre se a indexação mínima e a taxa de páginas sem impressões estiverem dentro dos limites definidos.
Cada decisão deixa um registro de eventos que permite auditar o caminho.
11
Resultados operacionais
- Relevância de buscaIntenções compostas passam a ser entendidas, e não apenas filtradas.Não publicado
- Qualificação de leadsQuem chega por uma intenção específica tende a chegar mais preparado.Não publicado
- Descoberta de estoqueImóveis descritos de formas diferentes passam a ser encontrados.Não publicado
- ConversãoResultados mais aderentes devem aproximar a busca do contato.Não publicado
- Operação de conteúdoPáginas locais com blocos vindos de dados reduzem o trabalho manual repetitivo.Não publicado
- Eficiência da captaçãoA priorização por demanda direciona o esforço da rede.Não publicado
Cada linha descreve uma relação esperada pelo desenho. Nenhuma é resultado medido: não há percentuais publicados para este case.
12
Limitações e premissas
- Os dados do tour e da demonstração são sintéticos ou ilustrativos.
- Nenhum resultado medido do cliente é afirmado.
- Embeddings, pesos e probabilidades dependem de validação com dados aprovados.
- A aplicação em produção depende de acordo de dados, privacidade e regras de SEO do cliente.
13
Arquitetura técnica
- Arquitetura proposta
Dados e conhecimento
Base de imóveis, grafo geográfico e demanda de busca.
- Arquitetura proposta
Inteligência
Embeddings, classificação de intenção e previsão.
- Arquitetura proposta
Decisão
Ranqueamento multiobjetivo e otimização com restrições.
- Arquitetura proposta
Orquestração e política
Agentes especializados e validação de cada ação.
- Arquitetura proposta
Observabilidade e aprendizado
Registro de eventos, indexação, impressões e conversão.
Arquitetura de referência: nem todo componente existe em toda implantação, e este case não afirma qual deles está em produção.
14
Oportunidades futuras
- Validar embeddings e pesos com dados aprovados e medir relevância.
- Conectar o ciclo de feedback de conversão ao ranqueamento.
- Estender a previsão de demanda com geografia e sazonalidade.
- Publicar resultados medidos quando houver autorização e dados.
Discutir um desafio da sua operação
Conte o processo que você quer melhorar. Respondemos pelo e-mail que você informar.
Discutir um desafio da sua operação