Notas da Forja
Notas operacionais sobre IA em varejo.
-
Sei que preciso de IA, não sei onde começar. Por onde começar?
Comece pelo problema que já te custa um número, não pela tecnologia. O melhor primeiro projeto é o mais caro que você consegue medir hoje. Se nada é medido, esse é o projeto zero.
-
Como o Mercado Livre construiu uma década de IA em fraude e risco
Não foi um projeto. Foi dez anos de vitórias estreitas, cada uma com critério medido. A versão pequena não compra a década. Compra a primeira decisão de risco com um número.
-
EU AI Act e o varejo brasileiro que exporta: o alcance que ninguém planejou
A lei de IA da Europa tem alcance extraterritorial. Se o resultado do teu sistema de IA toca o mercado europeu, ela te alcança, mesmo com sede no Brasil. O passivo que entra pela porta dos fundos.
-
Marco Legal da IA (PL 2338): o que muda para quem opera IA no varejo
O projeto classifica sistemas de IA por risco. Scoring de crédito e biometria entram na faixa de alto risco. Aprovado no Senado, segue na Câmara. O que auditar antes de virar lei.
-
Time de dados interno ou implementador: o custo real de cada caminho
Montar time, contratar quem implementa, ou comprar serviço gerenciado. O custo que aparece no orçamento é o menor dos três. O caro é o tempo até o primeiro resultado e a dependência depois.
-
Quanto de um projeto de IA em varejo é estimativa e quanto é descoberta
Boa parte do prazo do primeiro projeto não é estimativa; é descoberta do estado real do dado. Quem cota um número único como se fosse tudo estimável estoura quando a descoberta chega.
-
ROI de projeto de IA: a métrica que parece saudável até a operação quebrar
ROI é ganho menos custo, sobre o custo. A fórmula é trivial. As três mentiras moram nas entradas: ganho mal atribuído, melhor caso do piloto, e o custo de manutenção que ninguém somou.
-
O que é POC e por que ela não prova o que você acha
POC prova que a tecnologia consegue. Não prova que a operação vai adotar. Confundir as duas é onde a maioria dos projetos de IA morre, entre o piloto bonito e a produção.
-
Só 28% dos projetos de IA entregam ROI. O número atrás do número.
O número é largo o bastante para virar manchete e estreito o bastante para esconder o que importa: dos que entregam, a maioria mediu o critério antes da primeira linha de código.
-
Time interno ou implementador para o primeiro projeto de IA?
Para o primeiro projeto, implementador, e use o projeto para formar o time interno que assume depois. Montar time antes do primeiro critério é contratar para um alvo que ainda não existe.
-
O agente que funcionava na demo e travava na operação
Um varejista tinha um agente de atendimento que encantava na apresentação e errava na vida real. O problema não era o modelo. Era que a demo usava um catálogo congelado.
-
Walmart Jetblack: o concierge de compras por texto que não fechou a conta
A Walmart criou um serviço de compra por mensagem e fechou em 2020. O texto parecia IA e era muita gente. A lição não é sobre conversa; é sobre a conta por trás dela.
-
Atendimento com IA: construir o agente, comprar uma plataforma de bot, ou implementar
Três caminhos para o atendimento. A escolha não é de funcionalidade. É de quem responde o cliente às duas da manhã daqui a 18 meses, e de quem responde quando o bot erra.
-
Quanto tempo até um agente no WhatsApp parar de prometer o que não tem
Com escopo estreito e estoque acessível em tempo real, 8 a 14 semanas. A conversa fica pronta em dias. O que demora é a fiação que impede o agente de mentir.
-
WhatsApp como canal de venda: o que os números do varejo mostram (e o que não)
A Lu do Magalu converte cerca de 3x o app no WhatsApp. O número é real e mal interpretado. WhatsApp ganha na recompra e na dúvida rápida, não na descoberta longa.
-
Taxa de conversão na loja física: o número que a loja finge ter
Conversão é compradores divididos por visitantes. A loja física quase nunca conta visitante, então calcula sem o denominador e chama de conversão. O e-commerce tem; a loja finge.
-
Vale a pena scan-and-go agora?
Vale em formato de alto fluxo e cesta grande, onde a fila dói de verdade. Mas só depois de você ter um critério de perda, porque scan-and-go abre o mesmo buraco que o self-checkout.
-
Como a Walmart fez do Sparky o caminho de descoberta no app
O Sparky não vende porque conversa bem. Vende porque está grudado no catálogo, no estoque e na entrega da Walmart. A versão pequena não precisa de um Sparky. Precisa da fiação.
-
O que é agente de IA (e por que não é a mesma coisa que chatbot)
Chatbot responde. Agente age: consulta estoque, abre pedido, agenda. A diferença não é conversa melhor; é a ação que ele tem permissão de tomar. E a ação errada custa caro.
-
O que é dark store e quando ela para de fazer sentido
Dark store é uma loja fechada ao público, usada só para montar pedidos de e-commerce. Não é um CD. E abaixo de uma densidade de pedidos, separar de uma loja viva sai mais barato.
-
A categoria precificada por hábito. O que mudou quando medimos.
Uma rede precificava limpeza copiando o ano passado e seguindo um concorrente no escuro. Metade da lista de KVI estava errada. O ganho não veio de baixar preço.
-
Preço personalizado e CDC: a linha entre precificação dinâmica e cobrar diferente de cada cliente
Mudar o preço para todos ao mesmo tempo é uma coisa. Cobrar diferente de cada pessoa é outra, e cruza o CDC e a LGPD. A diferença define o risco do seu projeto de preço.
-
Precificação dinâmica no varejo brasileiro: o que os relatórios medem (e o que escondem)
Todo fornecedor publica um número de adoção. Quase todos medem intenção, e quase todos são patrocinados. A margem capturada, o número que importa, raramente aparece.
-
Cronograma honesto: precificação por elasticidade em uma categoria, 10 a 16 semanas
Com histórico que tem variação de preço de verdade, 10 a 16 semanas. Sem variação no passado, não há como estimar elasticidade, e o prazo vira indefinido. O que dobra o cronograma.
-
Compensa um motor de precificação dinâmica numa rede de 30 lojas?
Compensa numa categoria específica primeiro, geralmente perecíveis ou bazar, antes de compensar como sistema da rede inteira. O ganho mora onde o preço hoje é definido no chute.
-
Precificação: Pricefx, Revionics, construir, ou implementar. Onde cada caminho ganha.
Comprar um motor de preço, construir interno, ou contratar quem implementa. A escolha não é de funcionalidade. É de quem assume o preço na próxima grande promoção.
-
Como a Walmart precifica milhões de SKUs todo dia (e o que copiar numa rede pequena)
O sistema da Walmart não é preço de leilão. É disciplina de preço baixo com infraestrutura para mudar preço barato. A versão pequena precifica o KVI à concorrência e a cauda à margem.
-
Markdown: a liquidação que protege a margem e a que esconde o erro de compra
Markdown mede quanto da margem você deu em desconto. Lido no total, ele não distingue o desconto planejado do desconto forçado. Mesmo percentual, sentidos opostos.
-
O que é KVI (known value item) e por que ele é mais política que dado
KVI é o item cujo preço o cliente lembra e usa para julgar se a loja é cara. A lista costuma sair da intuição do comprador, não da venda. E a lista errada custa margem nos dois lados.
-
O que é elasticidade-preço e por que baixar preço nem sempre traz volume
Elasticidade-preço é quanto a venda muda quando o preço muda. Medida na média, ela mente: varia por SKU, por loja, por semana. Baixar preço sem ela é margem que cai sem volume que vem.
-
A auditoria de validade que fizemos errado nas primeiras semanas
Construímos um alerta de validade que marcava tudo. O time ignorou. O erro não foi o modelo; foi medir o que a câmera viu, em vez do que a equipe agiu. A precisão veio depois.
-
Dollar General recuou no self-checkout. A perda passou na frente da economia.
A rede tirou o autoatendimento de 300 lojas e limitou em milhares. O self-checkout cortava mão de obra e abria perda. Faltou medir a perda por loja antes de escalar.
-
Quanto custa, e quanto demora, uma POC de visão computacional para gôndola
De 6 a 10 semanas para provar o conceito numa seção de uma loja, se a verdade de base existir. A POC que morre na escala é a que pulou essa condição. Onde o cronograma dobra.
-
Visão computacional na gôndola compensa numa rede de 40 lojas?
Compensa num problema específico, ruptura nos itens que mais giram ou validade, não como olho onividente da loja inteira. O custo da câmera não é o gargalo. O da operação é.
-
LGPD e câmera de loja: três coisas para auditar antes do próximo plano de prevenção de perdas
Câmera comum grava dado pessoal. Reconhecimento facial grava dado sensível, e a ANPD já mandou desligar. A diferença entre o que é legal e o que é fiscalizado define o seu risco.
-
Como a Amazon Go fez o just-walk-out (e quanto dele era gente)
O caixa invisível da Amazon não era 100% máquina. O custo nunca foi a câmera; foi a revisão humana e a conta que não fecha no carrinho de supermercado. A versão que cabe é outra.
-
Nível de serviço lê uma coisa. A gôndola faz outra.
Nível de serviço mede se o CD entregou para a loja. Ele para na porta dos fundos. O par que falta é o OSA, medido na prateleira, onde o cliente decide.
-
O que é estoque fantasma e por que o sistema jura que tem
Estoque fantasma é quando o sistema registra unidades que não existem na loja. É ruptura silenciosa: a reposição nunca dispara, porque o sistema acha que está abastecido.
-
O que é shrinkage e por que três pontos somem sem culpado
Shrinkage é a diferença entre o estoque que o sistema diz ter e o que existe de verdade. Lido no agregado, ele esconde onde está vazando. E o vazamento tem endereço.
-
O que é OSA (on-shelf availability) e por que a maioria das redes mede errado
OSA é o percentual de itens que o cliente encontra na gôndola na hora de comprar. A maioria mede pelo estoque do sistema, e o sistema mente quando há estoque fantasma.
-
Quantos meses de histórico você precisa para uma previsão de demanda confiável?
Para a maioria das categorias, 18 a 24 meses por SKU e loja. Menos de 12 não pega sazonalidade. Mas a quantidade importa menos que a limpeza do dado.
-
O comprador confiava mais na planilha que no sistema. Ele estava certo, em parte.
Uma rede regional pediu para fazer o comprador usar o sistema de reposição. O comprador estava ignorando um sistema que aprendia errado. O rebelde era a parede mestra.
-
McKinsey projeta US$ 240 a 390 bi em IA no varejo. Quanto disso é previsão?
O relatório estima valor potencial, não realizado. A maior fatia mora no abastecimento, não no chatbot. E a maioria dos projetos não chega lá. A distância é o trabalho.
-
Previsão de demanda: plataforma, construir, ou implementar. Onde cada caminho ganha.
Comprar RELEX ou SAS, construir internamente, ou contratar quem implementa. A escolha não é de funcionalidade. É de quem opera o sistema na Black Friday daqui a 18 meses.
-
Como a Lidl prevê perecíveis por clima e calendário (e a versão que cabe na sua rede)
A Lidl ajusta o pedido de fresh de cada loja contra o clima e o calendário. O modelo é a parte barata. A versão de 5% da escala roda numa loja-piloto.
-
Vale a pena trocar a planilha do comprador por previsão automática?
Numa rede de 20 a 50 lojas, vale. Mas em uma categoria primeiro, e sem jogar fora o que a planilha do comprador já sabe. A planilha não é o problema.
-
Quanto tempo até a previsão por SKU e loja parar de brigar com o comprador
Com escopo definido e dados em estado razoável, 14 a 22 semanas. Sem isso, o tempo que for. O que move o cronograma em 50% para cada lado.
-
DSI lê uma coisa. A operação faz outra na semana do feriado.
DSI mede capital parado em estoque, e mede bem. Lido sozinho, ele suaviza o pico onde a ruptura realmente acontece. O par que falta na maioria dos painéis.
-
O que é cobertura de estoque e por que ela mente em perecíveis
Cobertura de estoque é quantos dias o estoque dura no ritmo de venda de hoje. Em perecíveis, ela assume que o produto não estraga. Estraga.
-
O que é MAPE e onde ele engana o operador de varejo
MAPE é o erro percentual médio de uma previsão de demanda. A fórmula é honesta. A leitura agregada esconde a ruptura nos SKUs que pagam a conta.
-
Como a Lu do Magalu virou vendedora no WhatsApp e converte 3x mais que o app
A Lu converte mais no WhatsApp que no app do Magalu. Mas o que move o número é o canal e vinte anos de marca, não o modelo. Veja o que daria para copiar.
-
A ruptura na gôndola tem três causas. Só uma é de previsão.
Auditamos a ruptura de uma rede regional SKU por SKU. Só um terço era previsão. O diretor ia comprar um forecast melhor para resolver o problema errado.
-
O que é um forward-deployed engineer e por que o termo importa no varejo
Forward-deployed engineer não é consultor nem desenvolvedor remoto. É quem escreve código contra os teus dados reais e devolve a operação rodando para o teu time.
-
McDonald's encerrou o drive-thru com IBM. Faltou o número, não a tecnologia.
Em 2021 o McDonald's e a IBM testaram pedido por voz no drive-thru. Em 2024 encerraram. A IA melhorava, mas faltou o critério que deixava o humano sair da fila.
-
Linear: issue tracking morreu. O 25% diz mais sobre IA em varejo que o 75%.
Linear: 75% dos workspaces enterprise rodam agentes; 25% dos tickets são escritos por eles. O número por trás muda como projetos de IA em varejo precisam ser organizados.
-
Forward-deployed engineer vs consultoria tradicional vs plataforma de IA
Há três caminhos para fazer IA em varejo: plataforma, consultoria, ou implementador. A pergunta certa não é qual é o melhor. É qual cabe na sua operação.
-
Antes do código, o critério: o que medir na semana um
Antes da primeira linha de código, três coisas têm que estar definidas: o número, a faixa, e o gatilho de revisão. Sem isso, projeto de IA vira aspiração.
-
Klarna não falhou em IA. Falhou em definir quando ela deveria ter parado.
Em janeiro de 2024 a Klarna anunciou US$ 60M em economia com IA. Em maio de 2025 voltou a contratar. A IA funcionou. Faltou o critério de quando ela deveria ter parado.