No varejo, a IA que paga a conta primeiro é a que melhora o dado do produto e a previsão de demanda, não a que recomenda vitrine. Catálogo bem descrito faz o produto ser encontrado; previsão por SKU evita comprar o que não gira. Personalização vem depois, quando há histórico de compra suficiente para o modelo aprender algo.
Quase toda conversa sobre IA no varejo começa por recomendação personalizada. É o caso de uso mais visível e o que menos depende do varejista pequeno e médio, porque as plataformas de e-commerce e os marketplaces já embutem alguma versão dele. O que a plataforma não faz é descrever bem o seu produto nem prever quanto você vai vender dele no mês que vem. É aí que o trabalho próprio começa.
Por onde começar com IA no varejo: catálogo, estoque ou personalização?
A resposta curta é: pelo dado que já existe e que está ruim. Em varejo, quase sempre é o catálogo.
O case da Longo Parts é o exemplo mais direto que temos. A empresa vende autopeças pelo Mercado Livre para todo o Brasil, com foco em Nissan, Mitsubishi, Honda e Toyota. Mais de 2.000 anúncios tinham títulos e descrições genéricos, e isso derrubava a loja na busca orgânica do marketplace. Em autopeça, o comprador procura pelo carro, pelo ano e pelo código da peça. Se o anúncio não fala essa língua, ele não aparece.
Reescrever 2.000 anúncios à mão levaria meses e ficaria inconsistente de um redator para outro. A solução foi um LLM classificar os 2.000 produtos por linha técnica (direção, freios, motor, suspensão e transmissão) e por compatibilidade, e depois reescrever títulos e descrições com base em análise semântica e nas regras de busca do Mercado Livre. Os anúncios foram atualizados diretamente na plataforma, e todos passaram a seguir o mesmo padrão.
O que esse case ensina sobre a ordem das coisas:
- O dado de produto é o insumo de tudo que vem depois. Recomendação, busca interna, previsão por categoria e anúncio pago dependem de saber o que cada item é.
- Um LLM resolve o problema de escala e de consistência de texto. O que ele não resolve sozinho é a regra de negócio: quais atributos importam para o comprador daquela categoria. Isso precisa vir de quem conhece o produto.
- Os resultados desse tipo de projeto se medem no marketplace: posição na busca, visitas e cliques por anúncio. Sem medir antes e depois, a reescrita vira opinião.
Como a previsão de demanda evita estourar o estoque?
Estoque estourado e ruptura são o mesmo erro com sinal trocado: comprar sem saber o que vai girar. Previsão de demanda é o modelo que reduz esse erro, e ela funciona melhor quando quem compra entende como o modelo pensa.
Um modelo de previsão por SKU usa o histórico de vendas, a sazonalidade, o calendário promocional e, quando existe, o preço praticado. Ele devolve uma faixa esperada de venda para as próximas semanas, por produto ou por categoria. A compra passa a ser feita contra essa faixa, com margem de segurança definida pelo lead time do fornecedor.
Três regras práticas para não decepcionar na primeira rodada:
- Comece pelos produtos que importam. Uma curva ABC simples aponta os itens que concentram a receita. Prever bem 20% do catálogo vale mais do que prever mal 100%.
- Compare com a planilha do comprador. O modelo só existe se erra menos do que a estimativa manual. Meça o erro dos dois no mesmo período e mostre o número ao time.
- Trate o produto novo à parte. Sem histórico, o modelo não tem o que aprender. Produto novo usa a curva de um item parecido até ter dado próprio.
Esse trabalho é de machine learning clássico, não de IA generativa. É mais barato de rodar, mais fácil de explicar e mais fácil de auditar. Muitos projetos de varejo falham porque tentam resolver previsão com um chat.
Quando a personalização faz sentido?
Personalização precisa de duas coisas: histórico de comportamento do cliente e volume suficiente para que o padrão apareça. Antes disso, o que funciona é segmentar caminhos, não recomendar produtos.
O case da Thaís Joias mostra essa segmentação sem modelo nenhum. A marca vende semijoias para a cliente final e recruta revendedoras, e as duas chegam ao mesmo site com necessidades diferentes. A cliente precisa de catálogo, preço e segurança para comprar sem ver a peça. A futura revendedora precisa entender o programa e se cadastrar, com análise de perfil pela equipe da marca antes da aprovação. A loja separou os dois caminhos e colocou a garantia de 1 ano contra oxidação, principal argumento de confiança, em todo o site.
Quando o histórico existe, a personalização começa pelo mais simples: quem comprou brinco volta a comprar em quanto tempo, qual peça costuma acompanhar a outra, qual revendedora está parando de pedir. Modelos de recorrência e de churn respondem a essas perguntas com dado que a loja já tem. Recomendação em tempo real na vitrine vem por último, e muitas vezes já vem pronta na plataforma.
| Caso de uso no varejo | Dado necessário | Primeiro resultado a medir | Horizonte típico |
|---|---|---|---|
| Reescrita de catálogo com LLM (Longo Parts: 2.000 anúncios, 5 linhas técnicas) | Ficha de produto, atributos por categoria, termos de busca do canal | Posição na busca e cliques por anúncio, antes e depois | PoC de 3 a 6 semanas |
| Previsão de demanda por SKU | Histórico de vendas, calendário promocional, lead time do fornecedor | Erro do modelo contra a estimativa manual no mesmo período | Primeiras 6 semanas para o modelo, 90 dias para o ROI |
| Segmentação de públicos (Thaís Joias: cliente final e revendedora) | Tipo de cliente no cadastro, origem da visita | Cadastros qualificados e conversão por caminho | Desde o lançamento do site |
| Recorrência e churn de cliente | Histórico de pedidos por cliente, intervalo entre compras | Taxa de recompra no segmento tratado | 90 dias |
| Recomendação na vitrine | Navegação, carrinho, compras cruzadas | Receita por sessão com e sem recomendação | Só com volume de tráfego e histórico |
O horizonte de 90 dias não é arbitrário. É o prazo que usamos para julgar se um agente ou modelo entrou em operação de verdade, e o post sobre como medir o ROI de um agente de IA em 90 dias detalha o método.
Agente, modelo ou automação?
No varejo os três aparecem juntos e é fácil confundir. Reescrever catálogo é trabalho de LLM com regra de negócio. Prever demanda é modelo de machine learning. Atualizar o anúncio no marketplace depois da reescrita é automação. Quando o problema é repetitivo e a regra é clara, a automação resolve mais barato; quando exige interpretar texto ou contexto, o agente entra. A diferença está no post sobre agentes de IA e RPA.
Próximo passo
Se o seu catálogo está mal descrito ou a compra ainda é feita no palpite, esses são os dois primeiros projetos de IA que costumam se pagar no varejo. A página de varejo e e-commerce mostra os cases do setor, e a de machine learning explica como construímos e medimos um modelo de previsão.