Análise do carrinho de compras: como a Retail Media identifica padrões ocultos de compra

Uma análise de cesta de compras pode indicar que macarrão e molho de tomate aparecem juntos. Por si só, ela não pode dizer se um anúncio de molho vai aumentar as vendas de macarrão, se os shoppers compraram os dois para a mesma refeição ou se uma promoção foi o que criou esse padrão.

Essa distinção é o ponto de partida para uma análise útil da cesta de compras.

A análise de cesta examina produtos ou categorias que aparecem na mesma transação. Ela vai além da composição da cesta, que descreve o que está presente, verificando se essas relações se repetem em várias cestas. As equipes de Retail Media podem usar esses padrões para formular hipóteses de vendas cruzadas, audiências e posicionamento. O método não explica por que uma relação existe.

A tarefa prática é passar de um padrão para uma decisão sem fingir que associação seja causalidade.

O que a análise de cesta realmente mede

O conjunto de dados básico contém um identificador de transação e os itens a ele associados. No setor de supermercados, uma transação pode ser uma cesta de compras no caixa. No comércio eletrônico, pode ser um pedido concluído. Para um varejista com atendimento misto, a equipe deve decidir se remessas divididas, itens cancelados, devoluções e substituições pertencem à cesta original.

Essa escolha é importante. Se a definição da transação mudar, o padrão também pode mudar.

As regras de associação geralmente assumem uma forma como:

Exemplo de regra de associação

Os shoppers que compraram o produto A também compraram o produto B.

Três medidas ajudam as equipes a avaliar a regra. Essas definições seguem a literatura estabelecida sobre regras de associação, bem como a documentação da IBM utilizada a seguir.[1][2][5]

O suporte é a proporção ou contagem de transações que contêm o conjunto de itens. Uma regra com baixo suporte pode ser real, mas rara demais para justificar uma ação.

A confiança é a proporção de cestas com A que também contêm B. Ela responde a uma pergunta direcional: quando A ocorre, com que frequência B ocorre?

O lift compara essa confiança com a incidência normal de B. Uma confiança alta pode ser pouco significativa quando B aparece em quase todas as cestas. O lift corrige a taxa de base ao perguntar se A e B ocorrem juntos com mais frequência do que a independência preveria. A documentação sobre regras de associação da IBM define essas medidas e mostra por que a estrutura das transações e as escolhas de limites moldam o conjunto de regras resultante.[1][2]

Um analista experiente analisa as três medidas em conjunto:

Fórmulas principais

• Suporte(A e B) = cestas que contêm A e B / todas as cestas
• Confiança(A → B) = cestas que contêm A e B / cestas que contêm A
• Lift(A → B) = confiança(A → B) / proporção de todas as cestas que contêm B

O suporte indica escala. A confiança descreve a frequência condicional. O lift indica se a relação agrega informação além da popularidade do segundo item.

Comece pela decisão, não pelo algoritmo

Uma ferramenta de cesta de compras pode gerar milhares de regras. A maioria delas não são ideias de campanha.

Antes de executar a análise, defina a decisão:

• Quais produtos poderiam apoiar uma campanha de vendas cruzadas?
• Qual categoria pode fornecer uma audiência relevante para um lançamento?
• Qual item ausente pode indicar uma compra incompleta?
• Qual combinação de produtos merece um teste in-store?
• Qual SKU em promoção gera um halo mais amplo na categoria?

A decisão determina a unidade de análise. Uma questão no nível da marca pode exigir a normalização de SKUs. Uma questão relacionada a soluções de refeições pode precisar de agrupamentos por categoria e ocasião. Uma questão relacionada à mídia da loja pode exigir dados de disponibilidade no nível da loja e por zona. Uma questão sobre compras repetidas pode exigir cestas de compras vinculadas ao consumidor ao longo do tempo, em vez de transações isoladas.

Os limites também devem seguir o caso de uso. Os exemplos práticos da IBM mostram como o suporte mínimo, a confiança e o lift reduzem o volume de regras geradas.[3] O objetivo não é encontrar um limite universal. O objetivo é evitar um conjunto de regras tão grande que toda coincidência pareça passível de ação.

Um exemplo prático de Retail Media

Considere uma análise hipotética de 10.000 cestas de compras para um varejista que deseja expandir as vendas de um molho de macarrão premium.

Contagens do exemplo

• Todas as cestas: 10.000 (100%)
• Cestas com molho premium: 500 (5%)
• Cestas com massa fresca recheada: 800 (8%)
• Cestas com os dois produtos: 100 (1%)

A regra “molho premium → massas recheadas” tem 1% de suporte (100 / 10.000), 20% de confiança (100 / 500) e 2,5 de lift (20% / 8%). Os compradores de molho, portanto, tinham 2,5 vezes mais chances de comprar massas recheadas do que a cesta média neste conjunto de dados ilustrativo.

A matemática torna a regra reproduzível, mas não automaticamente aplicável. A equipe ainda precisa verificar se a combinação se mantém diante de mudanças na semana, no formato da loja, na promoção e na disponibilidade conjunta. Também é necessário um limite comercial: 100 cestas conjuntas podem justificar um pequeno teste, mas não uma campanha nacional.

Essa regra pode servir de base para vários testes:

1. Use os compradores de massas recheadas como audiência para o molho, mas utilize um grupo holdout para estimar a incrementalidade das vendas associadas.
2. Teste um módulo conjunto onsite quando ambos os produtos estiverem disponíveis.
3. Coloque a peça publicitária do molho próxima a uma área de soluções para refeições em lojas selecionadas.
4. Meça a conversão do molho, a adesão ao item emparelhado, as vendas totais da categoria e a substituição de outros molhos.

A análise não comprova que qualquer tratamento funcionará. Ela cria hipóteses melhores do que uma audiência genérica de compradores da categoria.

As verificações que evitam regras incorretas

Verifique a disponibilidade do produto

Um produto não pode aparecer na cesta se estiver indisponível. Verifique se uma associação fraca coincide com falhas na distribuição ou se uma associação repentina começa quando um produto volta ao estoque. A disponibilidade do produto faz parte do diagnóstico.

Utilize a disponibilidade do SKU da loja para o mesmo período das transações. Se esses dados estiverem incompletos, indique a limitação.

Verificar promoções e preços

Dois itens podem ocorrer juntos porque foram incluídos na mesma oferta. Uma redução de preço também pode trazer um perfil diferente de shoppers para a categoria. Compare os períodos com e sem promoções antes de considerar a relação como duradoura.

Verifique a combinação de lojas e canais

Verifique se uma regra agrupada é impulsionada por um pequeno grupo de grandes lojas, um sortimento exclusivo para entrega ou uma única região. Reexecute a análise por formato de loja, região e canal, quando o tamanho da amostra permitir.

Verifique a estabilidade temporal

Uma regra sazonal não é automaticamente uma regra permanente. Analise vários períodos e mantenha a sazonalidade em evidência. Estabilidade não significa que os números devam ser idênticos; significa que a interpretação comercial se mantém válida mesmo com mudanças razoáveis na janela de tempo.

Verifique a direção e as taxas básicas

De A para B não é o mesmo que de B para A. O café pode aparecer em muitas cestas de doces, enquanto os doces aparecem em poucas cestas de café. A ação de mídia depende de qual produto alcança o público e qual produto é a resposta pretendida.

Verifique se a regra pode ser ativada

Um padrão estatisticamente interessante talvez fracasse comercialmente porque as audiências são muito pequenas, os produtos raramente estão disponíveis juntos, a margem não cobre o custo de mídia ou o varejista não consegue segmentar no nível necessário.

Da associação à ativação

A orientação prática abaixo transforma uma regra validada em um projeto de teste, não em uma resposta garantida à campanha. A interpretação comercial faz parte da análise de influência de cestas relacionadas.

Opções de ativação

• Criação de audiências: use uma compra recente de A com uma janela retrospectiva baseada na cadência; mostre B aos compradores elegíveis de A e exclua compradores recentes de B quando o objetivo for aquisição; exija compra incremental de B em relação ao grupo de controle.
• Posicionamento de venda cruzada: exija que A esteja na cesta aberta e que B esteja disponível; apresente B enquanto a cesta permanecer aberta; exija adição incremental, não apenas cliques.
• Adjacência in-store: exija uma regra A-B estável, tráfego suficiente na zona e disponibilidade conjunta; teste uma mensagem combinada ou uma zona candidata; exija lift no nível da loja com um controle confiável.
• Diagnóstico de medição: use dados de exposição e transação no mesmo nível de detalhe do produto; compare adição, amplitude ou composição; relate o resultado descritivo e use um contrafactual para avaliar o impacto causal.

As diretrizes de Retail Media da IAB/MRC enfatizam fontes de dados, definições e métodos transparentes em todos os ambientes de mídia.[4] Para a análise de cesta de compras, isso significa relatar a definição da transação, a hierarquia do produto, o período de análise, as regras de elegibilidade, as exclusões e o método de comparação.

Erros comuns

Considerar a confiança como suficiente. Produtos populares geram regras de alta confiança, mesmo quando o primeiro item agrega pouca informação.

Analisar apenas no nível de SKU bruto. A fragmentação por tamanho da embalagem e sabor pode ocultar uma relação entre categorias ou criar regras duplicadas.

Usar um único modelo nacional agrupado. O sortimento local e o formato da loja podem produzir padrões diferentes.

Transformar toda associação em um pacote. Alguns produtos ocorrem juntos, mas não pertencem à mesma mensagem, oferta ou momento.

Inferir a intenção do shopper a partir de uma única cesta. Uma transação registra um resultado sob condições específicas. Ela não revela o motivo completo.

Considerar a compra conjunta atribuída como incremental. Mais vendas emparelhadas entre shoppers expostos podem resultar da seleção das audiências, e não da mídia.

Lista de verificação do comprador

Antes de aprovar uma campanha baseada na cesta de compras, pergunte-se:

• O que conta como uma transação?
• Devoluções, substituições e itens cancelados são tratados de maneira consistente?
• Em que nível da hierarquia de produtos a regra é calculada?
• Quais são os valores de suporte, confiança e lift?
• A regra se mantém ao longo dos períodos, lojas e canais?
• O preço, a promoção e a disponibilidade foram verificados?
• As audiências ou o posicionamento são grandes o suficiente para a ativação?
• Qual tratamento testará a hipótese?
• Qual cenário contrafactual estimará a incrementalidade?

Perguntas frequentes

A análise de cesta é a mesma coisa que a composição da cesta?

Não. A composição da cesta descreve o que está contido nela. A análise da cesta é o método utilizado para identificar e avaliar relações recorrentes entre várias cestas.

Um “lift” alto prova que um produto causa a compra de outro?

Não. O lift mostra uma associação em relação às taxas de base. Missões compartilhadas, promoções, variedade de produtos e características dos shoppers podem explicar essa relação.

As equipes devem usar dados de SKU ou de categoria?

Use o nível que corresponda à decisão. A análise de SKU pode apoiar o posicionamento de um produto; a análise de categoria pode revelar missões mais amplas. Muitos projetos precisam de ambas.

A análise de cesta pode identificar substituições?

Ela pode sinalizar relações negativas ou em mudança, mas a substituição requer uma análise cuidadosa de disponibilidade, preço e dados longitudinais. A ausência dos dois produtos na mesma cesta não é evidência suficiente.

Qual é a melhor métrica de sucesso?

Escolha a métrica vinculada à finalidade da campanha: adesão incremental, primeira compra, amplitude da categoria, valor total da cesta ou vendas incrementais. Não use uma única métrica para todas as regras.

Conclusão

A análise de cesta é uma ferramenta para identificar padrões. Seu valor decorre de uma interpretação disciplinada.

Defina a transação corretamente. Analise juntos os indicadores de suporte, confiança e lift. Verifique preço, promoção, disponibilidade e mix da loja. Em seguida, transforme um pequeno número de associações estáveis em testes de campanha controlados.

É assim que um padrão de compra oculto se torna uma decisão de Retail Media, em vez de apenas um gráfico em uma apresentação de insights.

Fontes

[1] IBM, Uso de regras de associação.

[2] IBM, Aumento em uma regra de associação.

[3] IBM, Exemplos para a criação de regras de associação.

[4] IAB e Media Rating Council, Diretrizes de medição de Retail Media.

[5] Agrawal, Imieliński e Swami, Mineração de regras de associação entre conjuntos de itens em grandes bancos de dados.

Quer ver como isso funciona na prática?

A Footprints AI ajuda marcas e varejistas a medir o que realmente importa. Conheça nossos cases de sucesso ou entre em contato para conversar sobre sua estratégia de Retail Media.