Atualmente, todo varejista tem uma estratégia de IA.

Entre em praticamente qualquer grande empresa do varejo atualmente e você encontrará o mesmo paradoxo. Os data lakes nunca armazenaram tantos dados. Há modelos de previsão de demanda, ferramentas de otimização de preços e de sortimento, soluções de planejamento da força de trabalho, sistemas de otimização de rotas para a última milha e, agora, um ou mais projetos-piloto de IA generativa.

A maioria dessas soluções funciona, pelo menos do ponto de vista técnico. No entanto, as decisões que realmente impactam os resultados financeiros (P&L) — o que comprar, para onde distribuir os produtos, como dimensionar as equipes das lojas, quando realizar promoções ou o que fazer quando o cliente não está em casa para receber uma entrega — continuam sendo reativas, dependem das mesmas poucas pessoas e ainda geram surpresas a cada segunda-feira de manhã.

A tendência é atribuir o problema à falta de maturidade em IA. Mais dados, modelos melhores, mais agentes. Mas acreditamos que esse diagnóstico está equivocado.

Depois de trabalhar com varejistas dos setores de supermercados, moda, eletrônicos, materiais de construção e entregas rápidas (quick commerce), identificamos um padrão diferente: a IA funciona. O problema é que ela está sendo aplicada às perguntas erradas, da maneira inadequada e sem considerar as necessidades específicas de cada decisão.

A maioria dos varejistas não tem um problema de IA. Tem um problema de adequação da IA às decisões de negócio.

O debate sobre IA no varejo ficou concentrado em dois extremos: projetos-piloto de IA generativa que produzem demonstrações e modelos preditivos que geram dashboards. Nenhuma dessas abordagens, por si só, transforma diretamente as decisões operacionais que determinam os custos de atendimento, a disponibilidade de produtos e a experiência do cliente.

A IA analítica representa uma terceira categoria — e a mais relevante para as operações. Trata-se do uso estruturado de dados, modelos e sistemas de aprendizagem para aprimorar decisões operacionais recorrentes, como compras, reposição de estoques, alocação de produtos, atendimento de pedidos, entregas de última milha e devoluções.

Essa abordagem inclui machine learning, mas também modelagem estocástica, otimização, inferência causal e, cada vez mais, a integração entre essas diferentes técnicas.

A pergunta que os executivos do varejo deveriam fazer raramente é “precisamos de um modelo de IA?”. A questão mais relevante é: “Qual deve ser o papel dos dados na tomada de decisão que queremos aprimorar?”

Com base em um framework que desenvolvemos recentemente, identificamos que as iniciativas de IA analítica no varejo se enquadram em quatro abordagens bastante distintas — cada uma com seus próprios critérios de sucesso, estrutura de custos e fatores que podem levar ao fracasso.

As quatro abordagens da IA analítica no varejo

A combinação de duas dimensões dá origem a quatro abordagens distintas: se os dados estão fora do modelo de decisão (orientando sua estruturação ou avaliação) ou dentro dele (fornecendo informações para seu funcionamento); e se o objetivo é desenvolver o modelo ou viabilizar sua utilização.

As denominações são técnicas, mas suas implicações são comerciais.

Essas abordagens não representam uma escala de maturidade

Um varejista que utiliza soluções sofisticadas de personalização, com ampliação dos dados de entrada, pode ainda não ter clareza sobre a adequação estrutural de sua política de reposição de estoques. Da mesma forma, um varejista com um sistema de otimização de rotas parametrizado com precisão pode não saber se a solução realmente reduziu os custos de atendimento.

As quatro abordagens são complementares, e não etapas de evolução. Uma estratégia consistente de IA no varejo distribui investimentos entre todas elas, em vez de priorizar apenas a que está em maior evidência.

Três padrões que geram prejuízos reais para os varejistas

1. Tratar um problema estrutural como se fosse um problema de ajuste de parâmetros.

Uma rede de supermercados, convencida de que seu modelo de previsão de demanda apresenta falhas, continua treinando-o com dados cada vez mais recentes. No entanto, o modelo de previsão funciona corretamente. O verdadeiro problema está na lógica de reposição, que pressupõe que o prazo de validade dos produtos continua tendo o mesmo comportamento de antes, mesmo após uma ampliação de 30% no sortimento.

Essa é uma questão relacionada às premissas do modelo (assumption-oriented), e nenhum ajuste de parâmetros será capaz de identificar, por si só, esse problema.

2. Investir em uma ferramenta de otimização quando o verdadeiro obstáculo está na integração dos dados.

Um varejista de moda investe em uma ferramenta sofisticada de alocação de produtos. Dezoito meses depois, a solução está em operação em apenas duas regiões, enquanto as demais continuam utilizando planilhas.

O problema nunca esteve no modelo. O verdadeiro obstáculo era disponibilizar dados confiáveis sobre agrupamentos de lojas (store clusters), distribuição de vendas por tamanho (size curves) e histórico de reduções de preços (markdowns), garantindo sua integração contínua ao modelo em uma frequência compatível com as necessidades do negócio.

Esse é um trabalho de natureza paramétrica. Embora seja menos atrativo do ponto de vista tecnológico, é nele que se concentra grande parte do potencial de geração de valor.

3. Deixar dados não estruturados sem utilização.

Observações sobre devoluções, registros de atendimento ao cliente, vídeos captados nas lojas, pesquisas realizadas pelos consumidores e e-mails de fornecedores.

A maioria dos varejistas dispõe de todas essas informações, mas quase nenhuma delas é efetivamente incorporada à tomada de decisão.

A IA voltada à ampliação dos dados de entrada (input-augmenting AI) permite transformar essas informações em dados utilizados continuamente nas decisões de gestão de estoques, sortimento, atendimento de pedidos e entregas de última milha.

É nessa aplicação que poderá surgir a próxima onda de diferenciação competitiva, especialmente à medida que o varejo omnichannel e o quick commerce aumentam os custos associados a decisões equivocadas.

É aqui, e não nos chatbots, que os modelos generativos demonstram seu verdadeiro valor para as operações.

E há um problema comum aos três padrões:

A maioria dos varejistas não consegue demonstrar, com evidências confiáveis, o que realmente mudou após a implementação de sua última solução de IA.

A análise de avaliação de impacto (impact-assessing analytics) — que consiste em avaliar a implementação de um modelo com o rigor de um ensaio clínico, em vez de tratá-la apenas como o lançamento de um produto — ainda é pouco utilizada.

No entanto, é justamente essa disciplina que diferencia as organizações capazes de gerar retornos crescentes e acumulados com a IA daquelas que simplesmente continuam adicionando novas ferramentas.

Um diagnóstico de 60 segundos para o comitê executivo

Antes de aprovar a próxima iniciativa de IA, preste atenção à linguagem utilizada nas discussões. A forma como o problema é apresentado geralmente revela qual abordagem é realmente necessária — e qual solução a equipe está prestes a implementar em seu lugar.
‍

Se a forma como o problema é discutido não corresponder à abordagem da iniciativa proposta, você estará prestes a financiar uma ferramenta que funcionará conforme o prometido, mas que não entregará os resultados esperados na prática.

Onde identificamos a próxima onda de geração de valor

Em nossos projetos recentes com empresas do varejo, quatro transformações têm se destacado:

■ Da previsão de demanda à identificação de sinais em tempo real. Os sinais de demanda provenientes de pesquisas online, condições meteorológicas, eventos locais e preços da concorrência já apresentam maturidade suficiente para deixar de ser recursos complementares e passar a ser utilizados como informações essenciais para a tomada de decisão, especialmente em categorias de produtos perecíveis e moda.

■ Do desenho da rede logística à orquestração integrada da rede. Lojas que funcionam como pontos de atendimento de pedidos, dark stores, microcentros de distribuição urbanos e operações de cross-docking já não devem ser tratados como decisões estratégicas isoladas. Todos fazem parte de um fluxo operacional contínuo. Os varejistas que conseguem otimizar esse sistema são aqueles que adotam uma abordagem paramétrica integrada, de ponta a ponta, em vez de conduzir quatro projetos independentes.

■ Das devoluções como custo às devoluções como fonte de informação. Códigos que identificam os motivos das devoluções, fotografias e observações em texto livre estão entre as fontes de dados mais ricas e menos exploradas no varejo. Integrar essas informações às decisões de sortimento, aos indicadores de desempenho dos fornecedores (supplier scorecards) e aos modelos de previsão de demanda pode gerar impactos mensuráveis. No entanto, poucas empresas ainda conseguem fazer isso de forma eficaz.

■ Da implementação de ferramentas à comprovação de resultados. Os varejistas que incorporarem sistematicamente métodos de avaliação causal — como grupos de controle, implementações graduais e controles sintéticos — estarão mais bem posicionados para justificar seus investimentos em 2027. Os demais terão de defender resultados baseados em percepções diante de diretores financeiros (CFOs) que já não estão dispostos a aceitar argumentos sem evidências concretas.

‍
Como colocar isso em prática

Se você é CEO, COO ou Chief Data Officer de uma empresa do varejo, vale a pena fazer três perguntas à sua equipe neste trimestre:

■ Das nossas últimas cinco iniciativas de IA, conseguimos identificar qual abordagem foi utilizada em cada uma delas e se ela era adequada ao problema que buscávamos resolver?

■ Para cada modelo de IA em operação, temos evidências confiáveis — não apenas dashboards, mas evidências concretas — dos resultados gerados após sua implementação?

■ Quais dados não estruturados que já coletamos ainda não estão sendo utilizados nas decisões operacionais que poderiam aprimorar?

Se as respostas forem desconfortáveis, isso é um sinal importante. Geralmente, significa que existe um potencial significativo de geração de valor que pode ser explorado simplesmente ao reformular a maneira como a equipe está abordando os problemas.