A lógica por trás de 'quem comprou X também comprou Y'
Toda vez que você navega em um marketplace e vê a seção 'clientes que compraram este item também compraram' ou 'frequentemente comprados juntos', você está interagindo com o resultado de uma market basket analysis. O que parece uma sugestão simpática é, na verdade, o output de um dos processos de mineração de dados mais antigos e ainda mais relevantes do varejo digital e físico.
Market basket analysis — ou análise de cesta de compras — é a disciplina que estuda quais produtos tendem a ser comprados juntos, com qual frequência e com que grau de confiança essa associação se mantém ao longo do tempo. A premissa é simples: os dados de transações passadas contêm padrões de comportamento que, quando extraídos e interpretados corretamente, revelam oportunidades de cross-sell e upsell que aumentam o ticket médio sem precisar atrair novos clientes.
Com a chegada da inteligência artificial, o market basket analysis evoluiu de relatórios periódicos gerados pelo setor de BI para sistemas de recomendação em tempo real que personalizam a experiência de compra para cada cliente individualmente. Este artigo explica como essa evolução aconteceu, como os algoritmos funcionam na prática e como empresas de diferentes segmentos estão usando essa tecnologia para crescer receita de forma inteligente.
Os fundamentos: o que é uma regra de associação
O conceito central do market basket analysis é a regra de associação — uma relação do tipo 'se o cliente comprou A, então tende a comprar também B'. Formalmente, uma regra de associação é definida por três métricas fundamentais:
Suporte (Support)
O suporte mede a frequência com que dois itens aparecem juntos no total de transações. Uma regra com suporte de 5% significa que em 5% de todas as cestas analisadas, os dois itens aparecem juntos. O suporte mínimo é um parâmetro configurável que define o limiar abaixo do qual uma associação é ignorada por ser rara demais para ser estrategicamente relevante.
Confiança (Confidence)
A confiança mede a probabilidade condicional: dado que o cliente comprou A, qual a probabilidade de ter comprado também B? Uma confiança de 70% significa que, dentre todas as transações que incluíram A, 70% também incluíram B. A confiança determina quão confiável é a recomendação baseada na regra.
Lift
O lift é a métrica mais importante operacionalmente porque corrige o viés de popularidade. Um produto que está em 90% de todas as cestas vai aparecer associado a quase tudo — mas isso não é uma associação genuína, é apenas popularidade. O lift mede se a associação entre A e B é mais forte do que seria por acaso, considerando as frequências individuais de cada item. Um lift acima de 1 indica associação positiva real; lift igual a 1 indica independência; lift abaixo de 1 indica que os itens se excluem mutuamente.
Regras de associação com lift alto são as mais valiosas para campanhas de cross-sell porque indicam uma relação genuína de complementaridade entre produtos — não apenas a popularidade de um deles.
Os algoritmos: Apriori e FP-Growth na prática
Dois algoritmos dominam a implementação de market basket analysis em ambiente de produção:
Apriori
O algoritmo Apriori, publicado em 1994, é o mais intuitivo e didaticamente mais claro. Ele funciona por geração progressiva de itemsets: começa identificando todos os itens individuais com suporte acima do mínimo, depois identifica pares com suporte mínimo, depois trios, e assim por diante. A propriedade central que torna o Apriori eficiente é a anti-monotonicidade: se um itemset tem suporte abaixo do mínimo, qualquer extensão desse itemset também terá — o que permite podar dramaticamente o espaço de busca.
O Apriori é excelente para conjuntos de dados menores (dezenas de milhares de transações, centenas de produtos) e para implementações onde a interpretabilidade do processo é importante. Sua limitação é a escalabilidade: com catálogos de produtos muito grandes e volumes altos de transações, o número de candidatos a itemset cresce exponencialmente e o processamento pode se tornar proibitivamente lento.
FP-Growth
O algoritmo FP-Growth (Frequent Pattern Growth) resolve o problema de escalabilidade do Apriori ao eliminar a necessidade de gerar candidatos explicitamente. Ele comprime o banco de transações em uma estrutura de dados em memória chamada FP-Tree e extrai padrões frequentes diretamente dessa estrutura sem múltiplas passagens sobre o banco de dados. O resultado é uma velocidade de processamento tipicamente 10 a 100 vezes maior do que o Apriori em conjuntos de dados grandes.
Para e-commerces com catálogos de milhares de SKUs e volumes de transações na casa dos milhões, FP-Growth é a escolha padrão de engenharia. A diferença nas regras geradas é mínima — os padrões encontrados são essencialmente os mesmos — mas a viabilidade computacional muda significativamente.
Aplicações práticas por segmento
A lógica do market basket analysis se aplica com eficácia em contextos muito diferentes. As aplicações variam conforme a natureza das transações, mas o princípio central permanece o mesmo:
E-commerce
No e-commerce, market basket analysis alimenta três tipos de recomendação distintos: recomendação em tempo real na página de produto ('frequentemente comprado junto'), recomendação no checkout ('adicione esses itens à sua cesta') e campanhas de email pós-compra ('clientes que compraram X geralmente buscam Y nos 30 dias seguintes'). Cada um desses contextos tem lógica e timing diferentes, e os dados de market basket analysis são a base para todos eles.
Em e-commerces de moda, por exemplo, regras de associação frequentemente revelam combinações de peças que clientes constroem empiricamente — combinações que o time de curadoria editorial pode amplificar em looks editoriais e campanhas. Em eletrônicos, as regras revelam os acessórios mais frequentemente comprados com cada dispositivo, criando oportunidades de bundle pricing que aumentam o ticket médio e simplificam a decisão do cliente.
Supermercados e varejo alimentar
O varejo alimentar é onde market basket analysis nasceu — a história apócrifa (mas instrutiva) das fraldas e da cerveja sendo compradas juntas nas sextas-feiras à noite ilustra perfeitamente o tipo de insight que a análise pode revelar. Nesse contexto, as aplicações práticas incluem: otimização de layout de loja (produtos frequentemente comprados juntos posicionados em rotas de complementaridade), design de promoções (desconto em A para estimular compra de B com margem maior), e criação de kits e combos baseados em padrões reais de consumo.
Distribuidores e atacado
No atacado, market basket analysis identifica quais categorias de produto são compradas juntas pelos clientes (pequenos varejistas, restaurantes, estabelecimentos comerciais), revelando oportunidades de cross-sell no portfólio e sinalizando quais categorias deveriam compor ofertas de conveniência ou contratos de fornecimento periódico. Um distribuidor que sabe que 80% dos clientes que compram produto X também compram produto Y dentro de 15 dias pode estruturar um ciclo de reposição automática que elimina o custo de prospecção.
'Market basket analysis não é sobre vender mais para cada cliente em cada visita. É sobre entender profundamente os padrões de necessidade dos clientes e estar presente com a oferta certa no momento certo. Quando feito corretamente, o cliente percebe relevância, não pressão comercial.'
Como traduzir regras de associação em campanhas de cross-sell e upsell
Gerar regras de associação é a parte técnica. Transformá-las em resultado de negócio exige um processo de tradução que muitas empresas subestimam.
Filtro e priorização das regras
Uma análise em um catálogo de tamanho médio pode gerar centenas ou milhares de regras de associação válidas do ponto de vista estatístico. A primeira tarefa é priorizar: quais regras representam a maior oportunidade de receita incremental? O critério de priorização combina o lift (força da associação), o suporte (volume de transações afetadas) e a margem dos produtos envolvidos. Uma regra com lift de 8 mas suporte de 0,1% pode ser interessante para um segmento específico mas não para uma campanha de massa.
Segmentação por contexto de jornada
Regras de associação diferentes se aplicam em momentos diferentes da jornada de compra. Associações entre produtos da mesma visita são ideais para recomendações em tempo real no site ou app. Associações entre produtos comprados em visitas consecutivas (com intervalo típico de X dias) são ideais para campanhas de email ou push notification com timing preciso baseado na data da última compra.
Essa segmentação temporal das regras é frequentemente ignorada nas implementações mais simples, mas é o que diferencia um sistema de recomendação que gera resultado de um que apenas gera impressões.
Personalização por perfil de cliente
O market basket analysis tradicional gera regras populacionais — o que os clientes em geral tendem a comprar juntos. Mas a inteligência artificial permite ir além: aplicar as regras dentro de segmentos de clientes com perfis similares, gerando recomendações que são relevantes não apenas para a categoria geral do produto mas para o perfil específico de quem está comprando.
Um cliente que compra sempre produtos premium não deve receber a mesma recomendação de cross-sell que um cliente sensível a preço, mesmo que ambos tenham comprado o mesmo produto. A personalização do contexto da recomendação — o produto sugerido, o posicionamento da oferta, o momento do disparo — é o que maximiza a taxa de conversão do cross-sell.
Como a IA evolui o market basket para recomendações em tempo real
O market basket analysis clássico opera sobre dados históricos em batch — você processa as transações do mês passado e gera regras que serão aplicadas no próximo período. A IA generativa e os sistemas de recomendação modernos baseados em deep learning transformam esse modelo de duas formas fundamentais:
Recomendações contextuais em tempo real
Modelos de recomendação baseados em redes neurais (como os usados por Amazon, Netflix e Spotify) processam o comportamento do cliente em tempo real dentro da sessão atual — os produtos visualizados, o tempo em cada página, os itens adicionados e removidos do carrinho — e combinam esse contexto imediato com o histórico de longo prazo para gerar recomendações altamente personalizadas e atualizadas a cada interação.
Esse nível de personalização em tempo real está se tornando acessível para empresas de médio porte por meio de APIs de serviços de recomendação como AWS Personalize, Google Recommendations AI e plataformas especializadas. A barreira de entrada reduziu dramaticamente nos últimos três anos.
Detecção de padrões emergentes
Modelos de ML monitorados continuamente detectam mudanças nos padrões de associação antes que elas sejam óbvias nos relatórios periódicos. Uma tendência emergente de consumo — como a adoção crescente de uma categoria de produto sazonalmente atípica — aparece nos dados de associação semanas ou meses antes de ser identificada por análise manual. Isso permite que a empresa responda às mudanças de comportamento de forma proativa, ajustando campanhas, estoques e curadoria antes que a tendência se torne óbvia para os concorrentes.
'A diferença entre market basket analysis como relatório e market basket analysis como sistema é a diferença entre espelhos retrovisor e faróis. Um mostra onde você esteve; o outro ilumina onde você vai. Empresas que operam com dados em tempo real navegam com muito mais confiança em mercados instáveis.'
Métricas para avaliar o impacto do market basket analysis
Como qualquer iniciativa de dados, o market basket analysis precisa ser avaliado por seu impacto mensurável nos indicadores de negócio:
- Ticket médio: comparação do ticket médio de transações onde houve recomendação de cross-sell aceita vs. transações sem recomendação.
- Taxa de conversão de cross-sell: percentual de recomendações geradas que resultaram em adição do produto sugerido à cesta.
- Itens por transação: evolução do número médio de itens distintos por pedido antes e após a implementação das recomendações.
- Receita por visita: para e-commerce, a métrica mais direta do impacto de recomendações inteligentes na geração de receita.
- Adoção de categorias: percentual de clientes que ampliaram o número de categorias nas quais compram, indicando sucesso na estratégia de cross-category selling.
Trilion: da análise à receita incremental real
Construir um sistema de market basket analysis que gera resultado real exige muito mais do que rodar um algoritmo sobre os dados de transações. Exige qualidade e governança de dados para garantir que os padrões extraídos são reais e não artefatos de dados sujos. Exige integração técnica para que as recomendações sejam entregues no ponto de contato certo, no momento certo, com a experiência de usuário correta. E exige calibração contínua para que o sistema se adapte às mudanças de comportamento do mercado.
A Trilion desenvolve projetos completos de inteligência comercial baseada em dados — desde a exploração inicial dos dados de transações até a implementação de sistemas de recomendação em produção integrados às plataformas de e-commerce, CRM e automação de marketing dos nossos clientes. Nossa abordagem combina o rigor técnico da data science com o entendimento do negócio que transforma análises em decisões e decisões em receita.
Entre em contato com a Trilion e descubra como seus dados de transações podem revelar oportunidades de crescimento de ticket médio que você ainda não está capturando.
Implementação prática: do dado à decisão comercial
Para empresas que estão iniciando com market basket analysis, um roteiro prático em quatro etapas ajuda a estruturar a jornada:
- Etapa 1 — Auditoria de dados: verificar a qualidade, completude e historicidade dos dados de transações disponíveis. O mínimo recomendado é 12 meses de histórico com identificação de cliente por transação. Dados sem identificação de cliente impossibilitam a análise temporal e a personalização.
- Etapa 2 — Análise exploratória: rodar o Apriori ou FP-Growth com parâmetros conservadores para gerar um primeiro conjunto de regras e identificar padrões de alto impacto. Essa etapa frequentemente já revela insights de negócio que os times comerciais e de marketing não tinham visibilidade.
- Etapa 3 — Piloto controlado: implementar as top 10 regras de associação em um canal ou segmento de clientes, mesurar o impacto no ticket médio e na taxa de conversão de cross-sell antes de escalar.
- Etapa 4 — Escala e automação: integrar o sistema de recomendação à infraestrutura de dados da empresa para atualização automática das regras e personalização progressiva das recomendações.
Essa progressão gradual permite que a empresa aprenda e ajuste antes de escalar, minimizando o risco de implementações que não geram resultado por problemas evitáveis de dados ou de integração de canal.
