Inteligência ArtificialArtigo
Recomendação de produtos com IA na loja pequena: o que funciona com pouco tráfego e quanto dado precisa
Em resumo
Guia para decidir se vale ligar recomendação automática numa loja com poucos pedidos: as cinco técnicas, do par escolhido à mão ao modelo de linguagem, o limite do histórico curto, os recursos nativos de Shopify, Nuvemshop, VTEX, Tray e Loja Integrada, a medição com grupo de controle e o art. 20 da LGPD.
Em resumo: recomendação de produtos com IA aprende com o histórico de visitas e pedidos, e é justamente isso que falta na loja pequena. O curso de sistemas de recomendação do Google lista o item sem interações entre as desvantagens da filtragem colaborativa, e a VTEX só ativa a sugestão de produtos comprados juntos depois de 1.000 transações com mais de um item no carrinho. Com pouco tráfego, o caminho mais seguro, na avaliação do ConnectWeek, é começar pelo que a plataforma já traz no painel, definir manualmente o acessório certo para os campeões de venda e comparar o resultado com um grupo que não vê a sugestão, antes de pagar por um motor de recomendação.
Cinco jeitos de decidir o que mostrar ao cliente
Toda vitrine de sugestões resolve o mesmo problema: diante do produto que a pessoa está vendo, ou do que ela pôs no carrinho, qual outro item exibir. O que muda de uma técnica para outra é de onde sai a resposta e quanto histórico ela consome. A tabela abaixo organiza as cinco famílias que aparecem nas plataformas e na literatura técnica; a coluna de risco na loja pequena é leitura do ConnectWeek.
| Técnica | De onde vem a sugestão | O que precisa existir | Risco na loja pequena |
|---|---|---|---|
| Regra manual | O lojista define os pares: este tênis sugere esta meia | Conhecimento do catálogo e tempo para cadastrar | Fica velha se ninguém revisar quando o estoque muda |
| Comprados juntos | Contagem de pedidos em que dois itens saíram na mesma compra | Muitos pedidos com mais de um item | Sem volume, o par mais frequente pode ser coincidência |
| Filtragem por conteúdo | Semelhança de atributos: categoria, marca, especificação, descrição | Cadastro completo e padronizado | Sugere parecidos, raramente o complemento |
| Filtragem colaborativa | Comportamento de clientes parecidos | Histórico de cliques e compras de muitas pessoas | Produto novo ou pouco visitado fica de fora |
| Modelo de linguagem (LLM) | Conhecimento geral do modelo, aplicado ao texto do catálogo e ao histórico | Integração com o catálogo e regra que limite a resposta aos itens da loja | Pode sugerir item que a loja não vende |
O curso de sistemas de recomendação do Google descreve as vantagens e limites das duas filtragens. Na página sobre filtragem baseada em conteúdo, consultada em outubro de 2026, a técnica dispensa dados de outros usuários e consegue indicar itens de nicho, mas depende de atributos montados por quem conhece o assunto: o modelo fica tão bom quanto essas características. A mesma página registra que ela tende a repetir os interesses que o cliente já mostrou. Na página sobre filtragem colaborativa, a vantagem é não precisar desse conhecimento prévio e poder revelar interesses novos a partir de pessoas parecidas; entre as desvantagens está o item que não apareceu no treinamento.
O problema do pouco dado: o que é o início frio
Início frio é o nome técnico para a situação de um produto ou cliente sem histórico suficiente para o modelo aprender. Na explicação do Google, se um item não foi visto durante o treinamento, o sistema não consegue representá-lo nem consultá-lo. A página lista dois remendos: com algumas interações, calcular a representação do item novo sem refazer o treino inteiro; sem nenhuma, aproximá-la pela média dos itens da mesma categoria. Na prática, o segundo remendo devolve a loja ao critério de categoria, que a plataforma já oferece sem IA.
Um levantamento acadêmico publicado no arXiv em janeiro de 2025, a revisão sobre recomendação com início frio na era dos modelos de linguagem, de Weizhi Zhang, Yuanchen Bei e coautores, trata o problema como um dos desafios antigos da área e descreve a trajetória das soluções: atributos do produto, relações em grafo, informação de outros domínios e, por fim, o conhecimento de mundo dos modelos de linguagem, que os autores apontam como um potencial novo para o caso.
As plataformas que publicam limites mostram o tamanho da exigência. No guia de desenvolvedores da VTEX, consultado em outubro de 2026, a estratégia de comprados juntos só é treinada com pelo menos 1.000 transações com mais de um item no carrinho, e fica inativa até lá. A recomendação personalizada pede, pelo mesmo guia, 1.000 perfis que visitaram página de produto mais de uma vez e 10.000 eventos de visualização ou compra; a página da central de ajuda da VTEX sobre o mesmo recurso lista outro requisito para essa estratégia (1.000 compras com mais de um item), divergência que vale confirmar com a plataforma.
Exemplo hipotético. Uma loja com 300 pedidos por mês, dos quais 15% têm mais de um item, acumula 45 pedidos úteis para a estratégia de comprados juntos a cada mês. Para chegar aos 1.000 do guia da VTEX, levaria cerca de 22 meses, sem contar promoções que distorcem os pares. O número vale só para a VTEX; a Shopify e a Nuvemshop não publicam mínimo equivalente nas páginas consultadas. A conta serve para mostrar a ordem de grandeza: em loja pequena, o histórico de pares demora a existir.
O que as plataformas já oferecem no painel
Antes de contratar um aplicativo, vale conferir o que a plataforma da loja já entrega. A tabela resume o que as páginas oficiais diziam quando consultadas, em outubro de 2026; recursos e planos mudam, e a coluna de condição é a que mais pede conferência no painel.
| Plataforma | O que existe | Como escolhe | Condição informada |
|---|---|---|---|
| Shopify (app Search & Discovery) | Produtos relacionados e complementares na página do produto | Relacionados gerados automaticamente; complementares escolhidos pelo lojista, até 10 de cada tipo por produto | Tema com as seções de recomendação; o critério por descrição só vale para vitrine em inglês |
| Nuvemshop | Produtos alternativos e complementares na página do produto | Escolha manual; sem escolha, itens da mesma categoria ou subcategoria | Página de ajuda atualizada em 29/07/2026; plano não mencionado |
| Nuvemshop (app Venda Cruzada) | Sugestão ao adicionar produto ao carrinho | O lojista vincula dois produtos | Aplicativo de terceiro, com 15 dias grátis segundo a ajuda atualizada em 16/01/2026 |
| VTEX (Product Recommendations) | Mais vendidos, similares, comprados juntos, personalizados, vistos recentemente, coleção manual e outros | Parte por regra, parte por modelo treinado | Beta fechado para clientes selecionados, possível cobrança adicional e loja em Store Framework, FastStore ou headless |
| Tray (Compre Junto) | Recurso de compra conjunta, apresentado como aplicativo | A página de planos não detalha o critério | Marcado como incluído nos planos Lançamento, Crescimento, Avançado e Ultra |
| Loja Integrada | Recomendação de produtos por IA em vitrines, e-mail e WhatsApp | Produtos semelhantes aos que o cliente busca | Lançada no evento Vozes do E-commerce 2024, em 25 e 26/09/2024; o anúncio não informa plano nem custo |
Dois detalhes das páginas oficiais pesam para a loja brasileira. A central de ajuda da Shopify informa três critérios para os relacionados automáticos: histórico de compra, que exige vendas anteriores do produto; descrição semelhante, disponível só para vitrine em inglês; e coleções relacionadas, usadas quando os outros dois não estão disponíveis. Numa vitrine em português, para um produto ainda sem vendas, sobra o critério de coleções relacionadas, e os complementares, que a página descreve como lista escolhida pelo lojista, continuam manuais. A mesma página exige estoque acima de zero para o complementar aparecer.
Na ajuda da Nuvemshop, a seleção automática segue a categoria ou subcategoria do produto; se não houver outros itens nela, nada aparece, e se o produto não tiver categoria, a exibição é aleatória. Para o carrinho, a central indica o aplicativo Venda Cruzada, de outra empresa, em que o lojista liga dois produtos. Na página de planos da Tray, o Compre Junto aparece como disponível em todos os planos. Já o anúncio de novidades da Loja Integrada, de 11 de outubro de 2024, apresenta a recomendação por IA sem dizer em que plano ela entra; quem usa a plataforma precisa confirmar no painel ou com o suporte. Os dados dos aplicativos e planos são os das páginas consultadas e não foram testados pelo ConnectWeek.
Onde entra a IA generativa e o cuidado que ela pede
Os modelos de linguagem chegaram à recomendação com uma promessa para o início frio: ler a descrição do produto e o histórico curto do cliente e sugerir algo coerente, sem esperar meses de pedidos. A revisão de 2025 citada no capítulo 2 trata esse conhecimento de mundo como a etapa mais recente da evolução das técnicas.
O risco documentado é o modelo sugerir o que a loja não tem. Um estudo de Srijith Ravikumar publicado no arXiv em 2026 testou quatro modelos de linguagem usados diretamente como recomendadores, sem ancoragem no catálogo nem ajuste, em três bases de dados. A proporção de sugestões fora do catálogo variou conforme a base: de 0,6% a 2,7% na de filmes, de 11,6% a 38,7% na de estabelecimentos locais e de 49,3% a 61,0% na de brinquedos vendidos online. O próprio autor restringe as conclusões a esse uso direto, sem as técnicas que limitam a resposta ao catálogo. Segundo a página do arXiv, o trabalho foi aceito como artigo curto na conferência CIKM 2026.
A leitura prática, do ConnectWeek: se a ferramenta usa um modelo de linguagem, a pergunta ao fornecedor é como a resposta fica presa ao catálogo e ao estoque da loja. Sugestão de item inexistente ou esgotado é pior do que não sugerir nada.
Roteiro para a loja com pouco tráfego
A ordem abaixo é recomendação do ConnectWeek, pensada para quem tem poucos pedidos por mês e quer começar sem contratar nada:
- Arrume o cadastro. Categoria, subcategoria e atributos coerentes alimentam o critério automático da Nuvemshop, a estratégia de similares da VTEX e qualquer filtragem por conteúdo.
- Escolha à mão os complementos dos 10 ou 20 produtos que mais vendem.
- Deixe o automático cuidar do resto do catálogo, com o critério de categoria ou de mais vendidos que a plataforma oferecer.
- Revise as regras a cada mudança de estoque ou coleção. Na Shopify, o complementar sem estoque some da página; em outras plataformas, confira o comportamento.
- Só depois avalie um aplicativo com IA, com as perguntas da lista abaixo e um teste com grupo de controle.
Perguntas para fazer ao fornecedor de recomendação antes de assinar:
- Quantos pedidos e visitas o modelo precisa para sair do modo de reserva, e o que aparece até lá?
- A ferramenta permite deixar uma parte dos visitantes ou dos produtos sem a recomendação, para comparar?
- O relatório separa a venda que a recomendação provocou da venda que aconteceria de qualquer forma?
- A sugestão respeita estoque e preço atualizados, e dá para excluir produtos ou categorias?
- Quais dados do cliente o sistema usa, onde ficam guardados e como a loja desliga a personalização?
Se a sugestão ficar no carrinho, a forma de oferecer o complemento, sem caixa pré-marcada nem venda casada, está no guia de upsell e cross-sell para elevar o tíquete médio. Kits montados a partir desses pares têm regras próprias nos marketplaces, explicadas em kits e combos em marketplaces.
Como medir se a recomendação funciona
A pergunta certa não é quanto a vitrine de sugestões vendeu, e sim quanto a loja vendeu a mais por causa dela. Para isso é preciso um grupo que não recebe a recomendação no mesmo período. Há três desenhos possíveis, do mais confiável ao mais frágil, na avaliação do ConnectWeek:
| Desenho | Como funciona | Quando usar | Limite |
|---|---|---|---|
| Teste A/B por visitante | Metade dos visitantes, sorteada, vê a recomendação; a outra não | Quando a ferramenta ou o tema permitem dividir o tráfego | Exige volume para enxergar diferenças pequenas |
| Grupo de controle por produto | Sorteia metade dos produtos escolhidos para receber os complementos; a outra metade fica sem | Quando a plataforma não divide visitantes | Produtos diferentes vendem diferente; o sorteio reduz, mas não elimina, esse efeito |
| Antes e depois | Compara um período sem recomendação com outro com ela | Só para descartar piora grande | Data comemorativa, campanha e frete mudam junto |
A métrica tem de estar próxima do que a recomendação muda. Duas boas candidatas são a proporção de pedidos com mais de um item, entre os pedidos que contêm o produto que recebeu a sugestão, e a margem por sessão, que capta também a perda de conversão quando a oferta distrai o cliente. A conta da margem por sessão está no mesmo guia de upsell citado acima.
Exemplo hipotético de grupo de controle por produto. A loja sorteia 10 dos seus 20 produtos mais vendidos para receber complementos escolhidos à mão e deixa os outros 10 sem. Depois de quatro semanas completas, os pedidos com algum dos 10 produtos do grupo com recomendação somam 180, e 45 deles têm um item a mais (25%). No grupo sem recomendação, são 170 pedidos, 34 com item a mais (20%). A diferença de cinco pontos parece boa, mas, aplicando o teste de duas proporções explicado em teste A/B no e-commerce com pouco tráfego, o resultado (cerca de 1,12) fica abaixo de 1,96, o limite de significância de 5% usado naquele guia. Com esse volume, a loja não consegue distinguir o efeito do acaso e precisa de mais semanas ou de uma diferença maior. Todos os números do exemplo são hipotéticos.
Um cuidado completa a medição: fixe a duração e a métrica antes de começar, para não encerrar o teste no dia em que o painel estiver favorável. Os indicadores e as fórmulas de base estão em KPIs de e-commerce com fórmula.
LGPD: quando a recomendação vira perfil de consumo
A recomendação baseada só no contexto da visita, como o produto aberto ou o item no carrinho, não precisa identificar o visitante. A que usa o histórico de uma pessoa identificada é tratamento de dado pessoal, e os níveis de personalização com o que a lei pede em cada um estão no guia de personalização na loja virtual sem coleta excessiva de dados. Este capítulo trata de um ponto específico: a decisão automática.
Pelo art. 20 da Lei nº 13.709/2018, a LGPD, conferido no texto compilado do Planalto em outubro de 2026, o titular pode pedir a revisão de decisões tomadas só por tratamento automatizado de dados pessoais que afetem os interesses dele, e a lei inclui nesse grupo as decisões que definem o perfil pessoal, profissional, de consumo e de crédito ou aspectos da personalidade. O § 1º obriga o controlador a dar, quando solicitado, informação clara e adequada sobre os critérios e os procedimentos da decisão, respeitado o segredo comercial e industrial. Pelo § 2º, se a empresa negar essa informação alegando segredo, a autoridade nacional pode fazer auditoria para verificar aspectos discriminatórios.
A lei não cita recomendação de produto expressamente. Na avaliação do ConnectWeek, a loja que monta perfil de consumo para sugerir produtos deve estar pronta para explicar, em linguagem simples, quais dados alimentam a sugestão, e deve exigir do fornecedor do aplicativo essa descrição por escrito. O texto é informativo e não substitui a análise de um advogado para o caso concreto.
Para ver como a recomendação se encaixa entre as outras aplicações de IA no varejo on-line, com o indicador e o risco de cada uma, veja o panorama de como a IA vem mudando o varejo on-line no Brasil.
Comece por aqui Novo no assunto? Leia primeiro inteligência artificial para pequenas empresas, o texto-base desta cobertura.
Fonte: Google for Developers (curso Recommendation Systems)
Perguntas frequentes
Vale ligar recomendação de produtos com IA numa loja de poucos pedidos?
Consegue instalar, mas a filtragem colaborativa e a sugestão de comprados juntos dependem de histórico. O curso do Google lista o item sem interações entre as desvantagens da filtragem colaborativa, e a VTEX só treina a estratégia de comprados juntos depois de 1.000 transações com mais de um item. Até lá, o que aparece são critérios simples, como categoria ou mais vendidos.
O que é o problema do início frio na recomendação?
É a falta de histórico de um produto ou cliente novo. Sem interações, o modelo colaborativo não consegue representar o item; um remendo descrito pelo Google é aproximá-lo pela média dos itens da mesma categoria.
Shopify e Nuvemshop recomendam produtos automaticamente?
Em parte, segundo as páginas de ajuda consultadas em outubro de 2026. Na Shopify, os relacionados são gerados automaticamente, mas o critério por descrição só vale para vitrine em inglês, e os complementares são escolhidos pelo lojista. Na Nuvemshop, sem escolha manual, aparecem itens da mesma categoria ou subcategoria.
Que comparação mostra se a recomendação fez diferença?
Comparando com um grupo que não recebe a recomendação no mesmo período, por visitante ou por produto sorteado, com métrica e duração definidas antes.
Recomendar com base no histórico do cliente entra na LGPD?
Quando a sugestão usa o histórico de uma pessoa identificada, é tratamento de dado pessoal. O art. 20 garante ao titular pedir revisão de decisões tomadas só por tratamento automatizado que afetem seus interesses, incluindo as que definem perfil de consumo, e informação sobre os critérios usados. A lei não cita recomendação de produto expressamente.
