Inteligência Artificial no Varejo

1) Varejo: a arte industrial de decidir sob ruído

O varejo opera no limite entre duas escalas: a intimidade do consumo e a brutalidade da operação. Cada decisão parece pequena — um preço, uma gôndola, um turno —, mas se multiplica por centenas de lojas, milhares de SKUs, milhões de visitas e uma cadeia de suprimentos sujeita a atrasos, rupturas e sazonalidades.

A complexidade não vem só do volume. Vem da variabilidade: comportamentos mudam por contexto, canal, renda, clima, cidade, horário; promoções canibalizam categorias; rupturas distorcem a leitura de demanda; devoluções reescrevem margens depois do “sim” da compra. O varejo é um sistema de feedback rápido, com sinais imperfeitos e custos imediatos para decisões erradas.

É nesse terreno que a Inteligência Artificial deixa de ser adorno e vira ferramenta estrutural: reduzir incerteza (prever melhor), aumentar precisão (medir melhor), automatizar o repetitivo (executar com consistência) e otimizar o que é multivariável demais para a intuição humana (decidir com método). No varejo, IA é menos sobre “ideias brilhantes” e mais sobre disciplina: transformar dado em execução estável.

2) O que “IA no varejo” significa na prática

• Percepção (medir o que acontece, no digital e no físico) Captura e interpreta sinais do mundo: navegação, busca, cliques, imagens, notas fiscais, fluxos em loja, conformidade de exposição. Importa porque boa parte do varejo sofre de “cegueira operacional”: a realidade muda mais rápido do que os relatórios.

• Previsão (antecipar demanda, risco e pressão operacional) Modelos que estimam o que tende a ocorrer: demanda por SKU-loja-dia, probabilidade de ruptura, devolução, atraso logístico, perda. Importa porque estoque, preço e abastecimento são apostas; prever melhor reduz custo de erro.

• Decisão (recomendar ações sob restrições) Vai além de prever: sugere o que fazer, considerando restrições reais (capacidade, orçamento, política comercial, contratos, logística). Importa porque o varejo decide com trade-offs: margem versus giro, sortimento versus complexidade, promoção versus canibalização.

• Linguagem (organizar conhecimento e interação) Modelos que leem, escrevem e dialogam: atendimento, busca semântica, resposta a dúvidas de produto, síntese de incidentes, geração de descrições e procedimentos. Importa porque o varejo é intensivo em texto e atendimento — e a informação costuma estar espalhada.

• Automação (executar rotinas com controle) Robôs e integrações que aplicam decisões: criar tarefas, ajustar preços dentro de regras, abrir chamados, atualizar cadastros, reconciliar dados. Importa porque valor no varejo nasce quando a decisão “vira chão”.

• Otimização (alocar recursos para maximizar objetivo) Métodos que escolhem combinações: sortimento, planograma, reposição, roteirização, escalas, orçamento de mídia, política de frete. Importa porque muitos problemas são combinatórios e o ótimo “global” é contraintuitivo.

3) Por que agora

• A economia do varejo ficou mais “medível” — e mais distribuída Estatísticas recentes estimam vendas de comércio eletrônico entre empresas em quase US$ 27 trilhões em 2022 (base em dados de 43 economias que somam cerca de 75% do PIB mundial).^[2] A digitalização amplia sinais e acelera ciclos de teste e aprendizado.

• A pressão de perdas e eficiência virou pauta de sobrevivência Em um grande mercado de referência (EUA), levantamento setorial reportou shrink de 1,6% em 2022 e US$ 112,1 bilhões em perdas; e indicou que roubos internos e externos representaram 65% do shrink reportado.^[1] Mesmo quando o número exato varia por país e categoria, a mensagem é estável: perdas, ruptura e improdutividade estão grandes demais para gestão artesanal.

• Modelos generativos passaram de demonstração a ferramenta de produção Estimativas amplas de impacto econômico sugerem US$ 2,6 a 4,4 trilhões/ano em valor potencial para casos de uso analisados, e o mesmo estudo estima cerca de US$ 310 bilhões de valor adicional potencial para o varejo (incluindo concessionárias), sobretudo em marketing e interação com clientes.^[3] A maturidade não elimina a necessidade de engenharia; mas muda o patamar de viabilidade.

• A disciplina de operação de modelos (monitoramento, versionamento, segurança) amadureceu “Colocar modelo em produção” deixou de ser evento e virou processo: dados mudam, comportamento muda, promoções mudam. Com técnicas modernas de deployment, o varejo consegue tratar modelos como parte do sistema, não como projeto isolado.

4) Mapa de casos de uso

• 4.1 Previsão de demanda e reposição (SKU–loja–dia)

  • Objetivo Reduzir ruptura e excesso, sincronizando compra, distribuição e loja com a demanda provável.
  • Exemplos práticos
    • Previsão de demanda por SKU/loja considerando sazonalidade, preço, promoção e calendário local
    • Detecção de ruptura “silenciosa” (demanda existe, venda cai por falta de estoque)
    • Recomendações de reposição com limites de espaço, lote mínimo e janela logística
    • Simulação de impacto de promoções na demanda (incluindo canibalização)
    • Identificação de itens com giro anômalo (erro de cadastro, fraude, ruptura, substituição)
  • Padrão de valor Em geral, melhora nível de serviço e reduz capital empatado quando há histórico consistente e boa qualidade de estoque/recebimento.

• 4.2 Precificação e promoções com controle de margem

  • Objetivo Ajustar preço e mecânicas promocionais para maximizar margem e giro, respeitando posicionamento e regras comerciais.
  • Exemplos práticos
    • Estimativa de elasticidade por item/canal/região
    • Otimização de calendário promocional por categoria para reduzir canibalização
    • Preço dinâmico dentro de faixas e políticas (ex.: “nunca abaixo de X”, “sempre acima do custo + Y”)
    • Detecção de outliers (preços quebrados por erro de cadastro ou concorrência mal interpretada)
    • Avaliação pós-ação: lift real vs. efeito de estoque/ruptura e sazonalidade
  • Padrão de valor Tende a capturar margem onde antes havia “subprecificação por medo” e a reduzir desconto desperdiçado onde a demanda já existia.

• 4.3 Sortimento e arquitetura de categorias

  • Objetivo Definir o conjunto certo de SKUs por loja/canal, equilibrando escolha do cliente e complexidade operacional.
  • Exemplos práticos
    • Clusterização de lojas por comportamento de demanda e perfil local
    • Recomendações de sortimento por loja com restrições de espaço e estratégia
    • Identificação de sobreposição de SKUs (variações que não agregam)
    • Modelos para “lacunas” no sortimento (o que falta para atender missão de compra)
    • Planejamento de introdução/retirada de itens com previsão de substituição
  • Padrão de valor Normalmente melhora giro e disponibilidade percebida, reduzindo complexidade de abastecimento e ruptura em itens essenciais.

• 4.4 Experiência digital: busca, recomendação e descoberta

  • Objetivo Aumentar conversão e ticket por meio de relevância, confiança e facilidade de encontrar o certo.
  • Exemplos práticos
    • Busca semântica (entender intenção além de palavra-chave)
    • Recomendação personalizada (com controle de exploração vs. repetição)
    • “Próximo melhor produto” e “próxima melhor oferta” por contexto
    • Rankers que consideram margem, estoque e prazo (não só clique)
    • Detecção de fricção: páginas com alto abandono por conteúdo ruim ou prazo ruim
  • Padrão de valor Tende a capturar receita incremental quando integrados a estoque/preço e quando a mensuração separa efeito real de sazonalidade.

• 4.5 Operação de loja: execução, produtividade e conformidade

  • Objetivo Transformar plano em chão: garantir exposição, reposição e tarefas críticas com consistência.
  • Exemplos práticos
    • Priorização de tarefas por impacto (ruptura, validade, exposição, devoluções)
    • Detecção de falta na prateleira a partir de sinais operacionais (venda, estoque, recebimento)
    • Auditoria de planograma e “pontos cegos” (ex.: itens sempre fora do lugar)
    • Assistentes para procedimentos (recebimento, devolução, segurança, atendimento)
    • Análise de produtividade por turno/setor com ajuste para fluxo real de clientes
  • Padrão de valor Em geral, reduz desperdício de tempo e melhora disponibilidade quando o sistema cria rotinas simples e auditáveis, não “mais um painel”.

• 4.6 Perdas, fraude e segurança (prevenção orientada por dado)

  • Objetivo Reduzir perdas com foco em prevenção e priorização, evitando custo operacional desproporcional.
  • Exemplos práticos
    • Modelos de risco por loja/categoria/horário (para orientar equipe e layout)
    • Detecção de padrões anômalos em devoluções e trocas (abuso, “wardrobing”, fraude)
    • Identificação de discrepâncias sistemáticas (estoque teórico vs. físico vs. venda)
    • Priorização de auditorias e contagens por risco (não por calendário fixo)
    • Análise de incidentes e narrativa operacional (quem, quando, como, recorrência)
  • Padrão de valor Tende a reduzir perdas e aumentar segurança quando o varejista aceita “gestão por risco” e integra prevenção ao processo, em vez de atuar só reativamente.^[1]

• 4.7 Logística e última milha (promessa com custo)

  • Objetivo Melhorar nível de serviço mantendo custo sob controle, sobretudo em prazos e devoluções.
  • Exemplos práticos
    • Previsão de atraso por rota/transportadora e replanejamento
    • Otimização de alocação de pedidos (CD vs. loja) com restrições de estoque e SLA
    • Políticas de frete e prazo por margem e probabilidade de conversão
    • Detecção de embalagens inadequadas (avaria e custo de devolução)
    • Otimização de rotas e janelas (quando há frota própria ou controle operacional)
  • Padrão de valor Normalmente reduz custo por pedido e melhora NPS quando “promessa” considera capacidade real, não apenas regra fixa.

• 4.8 Marketing e mídia: eficiência com atribuição menos ingênua

  • Objetivo Alocar orçamento para maximizar resultado incremental, com controle de saturação e qualidade de público.
  • Exemplos práticos
    • Modelos de incrementalidade (separar o que aconteceria de qualquer forma)
    • Otimização de mix de canais por categoria e região
    • Segmentações por propensão com governança (evitar vieses e vazamento de dado)
    • Personalização de criativos e mensagens com guardrails de marca
    • Previsão de retorno por campanha considerando estoque e preço
  • Padrão de valor Tende a reduzir desperdício e aumentar margem de contribuição quando a medição sai do “último clique” e entra em causalidade prática.

• 4.9 Atendimento e pós-venda (contato como dado, não como custo)

  • Objetivo Resolver mais rápido, com menos esforço do cliente, usando o histórico e regras do negócio.
  • Exemplos práticos
    • Triagem inteligente de tickets (motivo, urgência, próxima ação)
    • Respostas assistidas com base em políticas e histórico do pedido
    • Resumo automático de conversas para continuidade entre atendentes
    • Identificação de causas-raiz (atraso, produto defeituoso, descrição errada)
    • Alertas proativos (antecipar problema antes do contato)
  • Padrão de valor Em geral, melhora eficiência e satisfação quando a IA está conectada a dados de pedido, estoque e logística — não só a uma “base de respostas”.

5) GenAI / modelos generativos

Modelos de linguagem fazem sentido no varejo quando o problema é, de fato, linguístico: conhecimento disperso em texto, conversa, documentação, políticas, descrições, incidentes. O uso inteligente é menos “substituir pessoas” e mais dar instrumento: acelerar escrita, leitura e decisão em contextos repetitivos.

Onde costuma funcionar bem:

• Atendimento e suporte: respostas assistidas com contexto do pedido, política e histórico, com registro do que foi usado e do que foi respondido.
• Conteúdo de produto: descrições, atributos, perguntas frequentes, comparações e padronização de catálogo.
• Busca e descoberta: entender intenção (“quero um tênis para corrida leve”) e mapear para filtros e itens.
• Operação e auditoria: síntese de incidentes, geração de relatórios operacionais, leitura de políticas e procedimentos.
• Conhecimento interno: perguntas sobre processos (“como proceder em devolução X”), com fonte rastreável.

Limites que importam:

• Rastreabilidade: respostas precisam apontar fonte (documento, política, registro), não apenas “parecerem boas”.
• Integração com dados estruturados: preço, estoque, prazo e regras vivem em sistemas; texto sem integração vira “resposta bonita e errada”.
• Governança e segurança: LGPD, sigilo comercial, controles de acesso por perfil e registro de uso. Quando o objetivo é otimizar preço, abastecimento, escala ou roteirização, modelos tradicionais de previsão/otimização seguem sendo o núcleo; GenAI entra como interface e aceleração de trabalho, não como substituto do cálculo.^[3]

6) Dados, integração e governança

IA no varejo não começa no modelo; começa no fluxo. Em geral, os dados críticos nascem em muitos pontos e se contradizem entre si — e a contradição é o problema.

Tipos de dados que normalmente sustentam os casos de uso:

• Transações: PDV, e-commerce, cancelamentos, devoluções, cupons, meios de pagamento.
• Catálogo: atributos, hierarquia de categoria, custo, impostos, embalagens, equivalências, substitutos.
• Estoque e movimentações: posição por local, recebimento, transferência, inventário, perdas, ajustes.
• Preço e promoção: histórico, mecânicas, vigências, exceções por loja/canal.
• Cliente e relacionamento: fidelidade, consentimentos, preferências, interações (com cuidado LGPD).
• Sinais digitais: busca, clique, navegação, abandono, campanha, jornada.
• Operação: escalas, produtividade, tarefas, chamados, auditorias, ocorrências.
• Logística: prazos, eventos de transporte, performance por rota/transportadora.

O que costuma “quebrar”:

• Chaves inconsistentes (SKU, loja, calendário fiscal) e cadastros divergentes.
• Estoque teórico que não fecha com realidade (ajustes manuais, contagens raras, perdas).
• Promoções sem rastreio correto (vigência e exceções mal modeladas).
• Dados atrasados (decisão diária com dado de ontem, ou de manhã com estoque da noite).
• Governança fraca: quem pode ver o quê, como auditar, como registrar consentimento e finalidade.

Boas práticas práticas:

• Contratos de dados (definições, qualidade mínima, SLAs).
• Camadas de integração com trilhas de auditoria (o dado muda, a história não pode sumir).
• Monitoramento de qualidade e deriva (o mundo muda; o sistema precisa perceber).
• Segurança por desenho: segmentação, pseudonimização quando necessário, e controles de acesso alinhados à LGPD.

7) Métricas e prova de valor

A prova de valor precisa existir em três níveis — e falha quando pula do “modelo melhorou” para “o negócio melhorou” sem medir o caminho.

• Nível 1: métricas de modelo (qualidade estatística) Exemplos: erro absoluto médio e percentual (demanda), AUC/precisão-revocação (fraude), NDCG (rank de recomendação), calibração (probabilidades), estabilidade por segmento (loja/categoria/região).

• Nível 2: métricas de decisão/processo (execução) Exemplos: taxa de ruptura, excesso e vencimento; aderência a planograma; tempo de reposição; tempo de atendimento; taxa de resolução no primeiro contato; tempo de ciclo de devolução; taxa de exceções operacionais geradas pela automação.

• Nível 3: métricas de negócio (resultado) Exemplos: margem bruta e margem de contribuição; giro e capital em estoque; GMROI; perda e quebra; receita incremental (com método); NPS/CSAT; custo por pedido; produtividade por hora.

Provas robustas no varejo geralmente exigem desenho experimental: testes por loja, por região, por janela; e, quando não dá para randomizar, métodos de comparação que controlem sazonalidade e promoções.

8) Riscos e armadilhas

• Dados “bonitos”, realidade torta: estoque e cadastro inconsistentes geram decisões erradas — mitigar com reconciliação, auditoria e indicadores de confiabilidade por fonte.
• Vazamento de informação: treino usando sinais que só existem depois do evento (ex.: ruptura registrada tarde) — mitigar com validação temporal e revisão de variáveis.
• Generalização frágil: o modelo funciona em algumas lojas/categorias e falha em outras — mitigar com segmentação, modelos por clusters e monitoramento por fatia.
• Deriva por promoções e calendário: mudança de política comercial quebra previsões — mitigar com detecção de deriva e re-treino governado.
• Otimização sem governança: preço/recomendação maximizam curto prazo e corroem marca — mitigar com restrições explícitas (guardrails) e revisão humana para exceções.
• Automação que cria caos: “muitas ações” sem prioridade vira ruído operacional — mitigar com filas por impacto, limites e cadência de implantação.
• Dependência de fornecedor: soluções fechadas viram caixa-preta difícil de evoluir — mitigar com arquitetura modular e propriedade de dados/modelos críticos.
• Risco regulatório e privacidade: uso inadequado de dados pessoais e perfis — mitigar com minimização, finalidade clara, controles de acesso e trilhas de auditoria.

9) O que a TESE pode entregar

Podemos atuar como parceiro técnico para tirar IA do plano e colocá-la em operação, com foco em valor e engenharia.

• Diagnóstico orientado a valor

  Mapeamos alavancas (margem, ruptura, perdas, produtividade, conversão), avaliamos viabilidade de dados e desenhamos um portfólio priorizado por impacto e dificuldade.

• Desenho de arquitetura e dados

  Definimos como os dados nascem, fluem e viram decisão: integração entre PDV/e-commerce/ERP/WMS, contratos de dados, camadas de confiabilidade e trilhas de auditoria.

• Desenvolvimento de modelos e produto

  Construímos e/ou integramos modelos de previsão, decisão e linguagem com critérios de mensuração e operação; e entregamos a interface certa (painel, serviço, integração, fila de tarefas) para o time executar.

• Implantação e operação

  Colocamos modelos em produção com versionamento, monitoramento, alertas de deriva, testes e governança de mudanças — tratando o sistema como software vivo.

• Governança e segurança

  Implementamos controles de acesso, gestão de dados sensíveis, rastreabilidade de respostas (no caso de GenAI) e práticas compatíveis com LGPD e requisitos internos.

• Trabalho junto ao time do cliente

  Co-desenhamos com comercial, operações, tecnologia e dados; transferimos contexto e capacidade, para que o sistema seja mantido e evoluído com autonomia crescente.

10) Quem fecha o ciclo aprende mais rápido

IA no varejo não é um projeto isolado; é uma forma de administrar um sistema que muda todo dia. Quando previsão, decisão e execução estão conectadas, a empresa deixa de “interpretar o passado” e passa a operar o presente com método.

O ganho mais durável não é um modelo específico. É a capacidade de transformar sinais em rotinas: medir o que importa, decidir com restrições reais, executar com consistência e aprender com o resultado.

No varejo, vantagem raramente é um segredo; é uma cadência. Quem transforma dado em execução consistente reduz ruído, aumenta precisão e abre espaço para o que só humanos fazem bem: escolher direções, construir confiança e desenhar experiências.

Referências

1. National Retail Federation (NRF) — Shrink Accounted for Over $112 Billion in Industry Losses in 2022, According to NRF Report. Press release com números de shrink (FY 2022), composição e impacto financeiro.
2. UN Trade and Development (UNCTAD) — Business e-commerce sales and the role of online platforms (Jun 13, 2024). Nota técnica com estatísticas de e-commerce por economias e estimativas para 2022.
3. McKinsey & Company — The economic potential of generative AI: The next productivity frontier (Jun 14, 2023). Estimativas de valor econômico e recortes por indústria, incluindo varejo.