A resposta curta: não comece comprando um motor avançado nem tentando personalizar cada visitante. Primeiro defina quais produtos podem competir, em qual momento da jornada e para qual resultado. Use regras para disponibilidade, compatibilidade, preço, margem, consentimento e pressão comercial; compare o recurso nativo da plataforma com um modelo apenas quando volume e variedade justificarem. Meça receita e margem incrementais por sessão ou pedido, não apenas clique no carrossel.
Recomendações ruins parecem um problema de algoritmo, mas muitas nascem antes: catálogo inconsistente, estoque atrasado, variantes duplicadas, objetivo errado, ausência de exclusões e nenhum dono comercial. O sistema aprende que um item recebe cliques e continua promovendo-o mesmo quando falta tamanho, reduz margem, aumenta devolução ou contradiz a necessidade que trouxe o cliente. Mais personalização sobre dados ruins só acelera essa decisão.
Escreva o Contrato de Recomendação Comercial
- Momento — página, busca, carrinho, pós-compra, CRM ou atendimento em que a recomendação aparece.
- Tarefa do cliente — comparar, completar, substituir, descobrir, repor ou avançar.
- Candidatos — conjunto de produtos que pode competir naquele momento.
- Exclusões — falta de estoque, incompatibilidade, restrição, baixa confiança, excesso de contato ou oferta inadequada.
- Objetivo — conversão, receita, margem, ticket, descoberta ou retenção, com prioridade explícita.
- Diversidade — limite para repetição de marca, categoria, faixa de preço e itens já vistos.
- Contexto — sessão, localização, canal, dispositivo, histórico e sinais que podem ser usados.
- Explicação — por que o item foi incluído, qual evidência sustentou a escolha e quando expira.
- Resultado — exposição, clique, adição, compra, margem, devolução, cancelamento e satisfação.
- Owner — quem responde por catálogo, regra, modelo, experiência e decisão de escalar.
O Contrato separa seleção de persuasão. Um motor pode ordenar candidatos, mas não deve inventar compatibilidade, disponibilidade ou benefício. Para uma loja de móveis, complementaridade pode significar medida e ambiente; em beleza, rotina e restrições; em B2B, especificação, estoque e prazo. A taxonomia comercial precisa existir antes da IA.
Escolha entre regras, recurso nativo e modelo próprio
- Regras — melhores quando o catálogo é pequeno, relações são estáveis e erro de compatibilidade custa caro.
- Recurso nativo — adequado quando catálogo, eventos e vitrine já vivem na mesma plataforma e a equipe precisa de controle simples.
- Modelo gerenciado — útil quando há volume suficiente, vários pontos de recomendação e necessidade de atualizar com comportamento recente.
- Camada própria — só se justifica quando múltiplos canais, objetivos, fornecedores e restrições precisam compartilhar a mesma decisão.
A Shopify permite configurar produtos relacionados e complementares e acompanhar relatórios; isso pode resolver o primeiro escopo sem nova plataforma. A AWS recomenda, para qualidade em Amazon Personalize, ao menos 50 mil interações de mil usuários com duas ou mais interações — sinal de que empresas com pouco histórico não devem fingir maturidade estatística. Nessa condição, relações comerciais curadas, popularidade contextual e regras transparentes são comparadores mais honestos.
Proteja elegibilidade antes de otimizar relevância
A documentação do Google Cloud mostra filtros por disponibilidade e atributos e observa que disponibilidade recebe atualização em tempo real. Isso revela a ordem correta: primeiro retire o que não pode ser vendido; depois ordene o que sobra. Inclua preço, região, prazo, variante, política, compatibilidade e supressão como dados operacionais, não como texto para o modelo interpretar livremente.
- Sem histórico — use contexto da sessão, categoria, conteúdo e tendências com limite de confiança.
- Produto novo — use atributos, curadoria e exploração controlada; não o esconda por falta de interação.
- Cliente conhecido — use histórico apenas quando identidade, permissão e finalidade estiverem claras.
- Estoque volátil — prefira elegibilidade em tempo real e fallback seguro.
- Margem desigual — trate margem como objetivo ou contramétrica, sem transformar a vitrine em liquidação oculta.
- Alta devolução — penalize a recomendação e investigue compatibilidade, conteúdo ou qualidade.
Um piloto de oito semanas
- Semanas 1–2 — escolher um ponto de decisão, mapear candidatos, exclusões, baseline e economia.
- Semana 3 — corrigir IDs, variantes, estoque, preço, margem e eventos essenciais.
- Semana 4 — criar três políticas comparáveis: regra atual, recurso nativo e uma alternativa assistida por IA.
- Semana 5 — rodar em modo sombra, verificando elegibilidade, latência, cobertura e razões de escolha.
- Semanas 6–7 — liberar tráfego limitado com comparador, fallback e limites de exposição.
- Semana 8 — avaliar resultado, margem, devolução, experiência, custo e operação; escalar, simplificar ou parar.
Meça o que acontece depois do clique
- Cobertura — sessões elegíveis que recebem recomendação válida.
- Relevância — clique e adição ao carrinho, sem tratá-los como resultado final.
- Negócio — conversão, receita e margem incremental por sessão ou pedido.
- Qualidade — indisponibilidade, incompatibilidade, repetição e recomendação sem explicação.
- Experiência — abandono, devolução, cancelamento, reclamação e remoção do item.
- Operação — latência, falhas, uso de fallback, tempo de curadoria e incidentes.
- Custo — plataforma, inferência, integração, dados, experimentação, monitoramento e equipe.
- Contramétricas — concentração de catálogo, desconto, queda de descoberta e canibalização.
O Google Cloud permite escolher objetivos como conversão ou receita por sessão. Ainda assim, otimização do painel não comprova valor incremental do negócio. Compare políticas no mesmo contexto e preserve um grupo ou período de referência quando possível. Receita pode subir porque o sistema deslocou uma compra que aconteceria de qualquer forma; margem pode cair se o modelo favorecer itens promocionais.
Custos e responsabilidades
O custo cresce com SKUs, variantes, frequência de estoque e preço, pontos de recomendação, canais, identidade, latência, mercados e experimentos. Comércio mantém catálogo e regras; marketing define tarefa e experiência; CRM governa identidade e pressão; dados instrumenta eventos; tecnologia integra e opera; finanças define valor e margem; atendimento devolve causas de troca e devolução. Um fornecedor pode implementar o sistema, mas não deve escolher sozinho o objetivo econômico.
Leve um carrossel real ao diagnóstico
Conecte o projeto ao loop mínimo de dados em https://makinai.co/insights/pt/cdp-ia-marketing-loop-minimo-dados-clientes-receita, à próxima melhor ação em https://makinai.co/insights/pt/ia-proxima-melhor-acao-crm-personalizacao, ao teste de descontos em https://makinai.co/insights/pt/crm-descontos-incrementalidade-ia-proteger-margem e ao onboarding de primeiro valor em https://makinai.co/insights/pt/ia-onboarding-clientes-primeiro-valor-crm. A MAKINAI implementa CRM e commerce em https://makinai.co/services/pt/consultoria-crm-ecommerce-commerce. Traga um ponto de recomendação, o catálogo candidato e quatro semanas de eventos; podemos delimitar o menor piloto útil.
Recomendações melhores não garantem demanda adicional. Preço, mídia, disponibilidade, produto, conteúdo e sazonalidade podem dominar o resultado. Amostras pequenas limitam inferência; uso de histórico requer base legal e finalidade adequada em cada país. As fontes descrevem recursos e requisitos de plataformas; o Contrato, o piloto e os critérios econômicos são recomendações editoriais da MAKINAI a validar na operação real.