O telefone raspado do site provavelmente nao existe

Voce colou 4.000 numeros na planilha e o discador comecou a rodar. Ate o fim da manha, 1.800 chamadas cairam em numero inexistente, chamaram um restaurante e um deles conectou em uma linha de suporte de operadora. O lead nao era ruim. O numero e que nunca foi telefone. Ele tinha o formato certo, e e exatamente por isso que passou.

A maioria das ferramentas de raspagem valida formato, nao existencia. Dez ou onze digitos, DDD entre 11 e 99, as vezes um parenteses bem colocado. Passa. So que um ID de aplicativo, um codigo de rede social e ate o nome de um arquivo de imagem cabem nesse mesmo molde. O custo disso aparece depois, no tempo de discagem e na reputacao da sua operacao.

Formato valido e a barra mais baixa que existe

Um regex de telefone brasileiro aceita qualquer sequencia de 11 digitos comecando com DDD plausivel. Isso inclui coisas que nao tem nada a ver com telefonia: identificadores de anuncio em URLs, hashes de sessao, numeros de pedido e nomes de arquivo tipo banner-11987654321.jpg. O raspador nao sabe o que esta lendo. Ele so sabe que o padrao bateu.

O resultado pratico e uma taxa de numero invalido que passa facil de 40% em listas de raspagem crua. Em operacoes de alto volume com discador, isso significa metade do tempo de conexao queimado antes de alguem atender. Se voce ja leu sobre cruzamento de dados para evitar lead fantasma, o problema aqui e o mesmo, so que mais silencioso: o registro existe, tem nome, tem empresa, e so o canal de contato e falso.

Existe um teste simples para saber se a sua fonte presta. Pegue 50 numeros aleatorios dela e jogue em um discador com deteccao de atendimento. Se mais de 10% cair em numero invalido ou em linha que nao e da empresa, a fonte esta validando formato e mais nada.

O que importa e a origem do numero, nao o numero

Telefone bom tem procedencia rastreavel. Em pagina de empresa, isso significa que o numero apareceu porque alguem o publicou como contato. Existem tres origens possiveis e elas nao valem o mesmo.

• Link de clique (tel: ou wa.me): o mais confiavel. O numero esta no href, o dono do site o cadastrou explicitamente para ser discado.
• Texto visivel na pagina: bom sinal. Passou por um humano que digitou o contato no layout, mesmo que sem link.
• HTML bruto, script ou comentario: descarte. E aqui que entram IDs de analytics, codigos de rastreamento e nomes de arquivo.

A diferenca entre os dois primeiros e o terceiro e a diferenca entre um numero que alguem quis publicar e um numero que o parser encontrou por acidente. Nenhum regex distingue isso. A extracao orientada a DOM, sim.

Pagina de rede social publica o contato dela

Aqui esta o erro que mais vejo em listas de prospeccao. O time raspa o perfil da empresa no Instagram ou no Facebook, encontra um numero, e assume que e o telefone comercial da empresa. Nao e. Na maior parte dos casos e o suporte da propria plataforma, o numero de denuncia, ou um contato que a rede social exibe no rodape da pagina.

Isso vale para qualquer rede: o contato publicado pela plataforma pertence a plataforma. O telefone da empresa aparece na bio, no campo de contato do perfil ou no site dela. Sao lugares diferentes, com donos diferentes, e o raspador nao faz essa distincao sozinho.

O mesmo raciocinio vale para diretorios e agregadores. Se voce esta montando a base a partir de fontes publicas estruturadas, vale revisar o metodo de enriquecimento com CNPJ e Whois: a chave e amarrar cada numero a uma entidade verificavel, nao a uma pagina qualquer que o continha.

A checagem brasileira que elimina quase todo o lixo

Depois de resolver a origem, sobra uma segunda peneira, especifica do Brasil. Ela e barata e roda em milissegundos. Quatro regras resolvem a maior parte do problema.

1. DDD valido: so os codigos realmente em uso no pais. Um numero comecando com 23 ou 39 nao e telefone brasileiro, por mais bonito que esteja o formato.
2. Celular de 9 digitos comecando em 9: depois do DDD, o nono digito e sempre 9. Se comeca em 8, e fixo ou lixo.
3. Sem digito repetido em sequencia: 99999999, 11111111, 00000000. Ninguem tem esse numero, e raspador adora gerar esse padrao.
4. Sem sequencia previsivel: 12345678, 98765432, 23456789. Mesmo caso, ruido puro.

Rodando essas quatro regras em uma lista tipica de raspagem, o corte costuma ficar entre 30% e 50% dos registros. Nao e refinamento, e limpeza basica. O que sobra ainda precisa de checagem de origem, mas o volume de lixo cai a ponto de o discador deixar de ser um sorteio.

Um exemplo com numeros

Uma operacao com 6 BDRs discando 120 numeros por dia cada. Lista crua de raspagem, um numero por lead. Taxa de numero invalido na primeira semana: 47%. Isso da 338 discagens por dia que nunca poderiam conectar, ou o equivalente a quase 3 jornadas de um BDR por dia jogadas fora. Apos aplicar filtro de origem mais as quatro regras brasileiras, a taxa de invalido caiu para 6% em duas semanas. A produtividade nao dobrou, mas o tempo de conversa por hora discada subiu cerca de 40%.

Onde encaixar a validacao no fluxo

Validar no fim e desperdicio. O lugar certo e entre a extracao e a entrada no CRM ou no discador. Tres passos, nessa ordem.

• Extracao orientada a contato: pegar apenas hrefs tel: e wa.me, mais o texto visivel em blocos de contato. Nunca varrer o HTML inteiro.
• Filtro brasileiro: as quatro regras acima, rodando como funcao, sem depender de servico externo.
• Checagem de atividade: discagem de teste com deteccao de atendimento antes de distribuir para o time. Numero que nao atende em duas tentativas sai da fila.

Se a sua captacao vem de site proprio, formulario e campanha, o problema e outro e vale ler o guia de geracao de leads qualificados B2B. Mas quando a base vem de raspagem publica, a ordem acima e o que separa lista de lixo de lista utilizavel.

O que muda em 30 dias

Nao espere conversao melhorar por causa da validacao. O que muda e o custo por tentativa. Com taxa de invalido em 6% em vez de 47%, o mesmo numero de BDRs faz mais discagens uteis, o discador rende mais por hora e a taxa de reclamacao de linha cai. Em operacoes que medem isso, o ganho tipico em 30 dias fica entre 25% e 40% de tempo de conversa efetivo.

Vale lembrar que a maior parte das tecnicas que funcionavam antes continua funcionando. O que mudou nao foi a natureza do telefone, foi a facilidade de raspar o site inteiro e chamar tudo de lista. O filtro de origem existe justamente para recuperar o que a raspagem cega destruiu.

Conclusao

Numero com formato valido nao e numero. E string. A diferenca aparece quando o discador comeca a girar e voce percebe que metade das chamadas nunca teve chance de atender. A solucao nao esta em raspar mais, e sim em raspar melhor: origem rastreavel, filtro brasileiro e checagem de atividade antes de distribuir.

Se voce so puder fazer uma coisa amanha, faca a checagem de DDD e nono digito na base atual. Roda em minutos, corta boa parte do lixo e devolve para o time o tempo que estava indo para o vazio.