Conclusão da compra: como a Retail Media ajuda os shoppers a concluir a compra

Um shopper adiciona macarrão e molho de tomate ao carrinho de compras online. Um sistema de complementação eficaz pode sugerir parmesão, legumes ou uma bebida. Um sistema ineficaz pode mostrar outro tipo de macarrão, um produto indisponível ou um item patrocinado que não combina com a refeição.

A finalização do carrinho é o processo de decisão por trás dessa diferença. Ela usa um carrinho parcial e o contexto atual para identificar o que poderia tornar a experiência de compra mais completa. Para a Retail Media, isso cria um espaço publicitário de alta intenção próximo à transação. Também gera um risco à confiança se a pressão comercial se sobrepor à relevância.

O objetivo não é aumentar o tamanho de todas as cestas. É ajudar os shoppers a concluir a tarefa, ao mesmo tempo em que oferece aos varejistas e às marcas uma maneira mensurável e claramente identificada de influenciar uma decisão em aberto.

O que significa “conclusão do carrinho”

A conclusão da cesta começa com uma cesta não vazia durante uma visita ou sessão ativa. O sistema infere uma ou mais intenções prováveis, gera sugestões de adições, remove produtos inelegíveis, classifica as opções restantes e apresenta um pequeno conjunto no momento apropriado.

Pesquisas descrevem a recomendação dentro do carrinho como a conclusão de um carrinho não vazio durante a sessão de compras.[6] O mesmo estudo observa que carrinhos reais podem conter várias intenções e que os shoppers podem alternar entre elas. Um comprador que está adquirindo alimentos para o café da manhã também pode estar comprando produtos de limpeza. Tratar o carrinho inteiro como uma única missão pode gerar recomendações irrelevantes.

A análise de cesta concluída explica o que as transações continham. A conclusão da cesta toma uma decisão diferente: o que, se houver, recomendar enquanto uma cesta não vazia ainda estiver aberta.

Comece pela missão ativa, não pelo estoque

Um sistema de conclusão deve perguntar qual parte da cesta ainda está pendente.

Os sinais podem incluir:

• produtos já adicionados e suas categorias;
• sequência e momento das adições;
• contexto de pesquisa e navegação;
• loja, canal e método de entrega;
• disponibilidade conhecida e regras de substituição;
• contexto de receita, ocasião ou lista fornecido pelos shoppers;
• padrões de compra repetidos, quando legitimamente disponíveis.

O plano de compras deve permanecer passível de revisão. Um shopper pode remover um item, alterar quantidades ou iniciar uma segunda tarefa. O planejamento da missão de compras fornece o contexto; a finalização da cesta lida com a decisão sobre o próximo item ou o próximo conjunto.

Evite inferências sensíveis ou especulativas. O fato de produtos terem ocorrido juntos historicamente não autoriza um sistema a inferir condições de saúde, familiares ou outras condições privadas. Use o mínimo de dados necessários para a tarefa de compras definida.

Geração de candidatos: identifique itens ausentes plausíveis

A geração de candidatos cria um conjunto amplo antes da classificação. As fontes podem incluir:

• relações de itens frequentemente comprados juntos;
• regras selecionadas de categorias ou receitas;
• mapeamentos de acessórios compatíveis;
• histórico de reposição dos shoppers;
• produtos visualizados na sessão atual;
• produtos patrocinados elegíveis para campanhas.

O Google Cloud descreve o “Frequently Bought Together” como um modelo de expansão do carrinho de compras e o diferencia dos modelos de itens relacionados e substitutos.[4] Essa distinção é importante. Um substituto pode ajudar quando um item está indisponível, mas não completa o carrinho da mesma forma que um complemento.

A compra conjunta é apenas um sinal inicial. Pesquisas utilizando sessões de carrinho e navegação mostram que as relações de complementaridade podem ser aprendidas a partir de mais do que apenas pares de transações.[8] Um pré-impresso recente da Allegro argumenta que a compra conjunta bruta é ruidosa e que restrições de categoria e revisão humana ajudam a evitar combinações inesperadas.[9]

O conjunto de candidatos deve, então, atender a regras rígidas de elegibilidade:

• em estoque e disponível para o método de entrega escolhido;
• compatível com o produto ou tarefa selecionado;
• permitido no contexto de mercado e de conta do comprador;
• não estar já presente de forma equivalente;
• dentro das datas da campanha e das regras orçamentárias;
• não suprimido por controles de frequência, categoria ou política.

A mídia não pode corrigir uma recomendação inelegível.

Um item ou um conjunto coerente

Algumas missões são concluídas por um único produto. Outras exigem um conjunto. Um shopper que compra ingredientes para uma refeição pode precisar de vários componentes. A compra de um dispositivo pode exigir uma capa compatível e um acessório de alimentação.

A pesquisa de conclusão de cesta “conjunto a conjunto” enquadra isso como a recomendação de um conjunto coerente, em vez da previsão de um próximo item.[7] A implicação prática é que o sistema deve considerar as interações entre os itens recomendados. Três produtos individualmente plausíveis podem formar um conjunto repetitivo, caro ou contraditório.

Use restrições no nível do conjunto:

• evite recomendar vários substitutos para a mesma função;
• limite o número e o valor total das adições;
• mantenha a compatibilidade em todo o conjunto;
• siga filtros explícitos, preferências declaradas e restrições evidenciadas pelo carrinho atual ou por uma lista fornecida pelos shoppers;
• diversifique apenas quando a diversidade melhorar o objetivo;
• explicar a relação em linguagem simples.

Onde a Retail Media pode atuar

A Retail Media pode apoiar a conclusão da cesta de compras de várias maneiras.

Complemento patrocinado

Um produto pago só pode entrar no conjunto de candidatos após passar por rigorosos critérios de elegibilidade, segurança, disponibilidade e conformidade com as políticas. A relevância e a compatibilidade para os shoppers determinam quais produtos elegíveis merecem consideração. Uma oferta comercial ou pontuação de patrocínio pode classificar produtos apenas dentro desse conjunto qualificado; ela não deve promover um item irrelevante ou incompatível. Identifique claramente o posicionamento pago e registre a classificação orgânica do produto para que os analistas possam auditar o deslocamento e a incrementalidade.

Pacote patrocinado

Uma marca ou parceria pode financiar um conjunto coerente para uma ocasião definida. O varejista ainda precisa verificar a disponibilidade, a lógica de preços e se cada componente é útil.

Lembrete contextual

Uma mensagem onsite ou in-store pode lembrar ao shopper de um item que falta, sem citar um produto específico. Isso pode ser útil quando várias marcas são elegíveis ou quando a escolha final deve permanecer em aberto.

Preparação offsite

A mídia offsite pode moldar uma lista planejada antes mesmo que a cesta exista. Uma vez que a cesta esteja ativa, os canais onsite e in-store normalmente oferecem um contexto mais forte.

Compare isso com a IA de recomendação, que abrange o sistema de recomendação mais amplo. A conclusão do carrinho é o caso de uso mais restrito, voltado para o carrinho parcial.

Um exemplo prático

Um shopper adiciona hambúrgueres e pães. Dados históricos associam esses itens a queijo, molhos, salada e bebidas.

Um sistema fraco classifica com base na compra conjunta global e mostra os produtos mais populares. Um sistema mais robusto separa os componentes da refeição de itens de estoque não relacionados, verifica o que já está presente e remove produtos indisponíveis. Ele pode seguir uma linha vegetariana somente quando o shopper selecionou produtos vegetarianos, filtros ou substituições na sessão atual; não deve inferir a dieta a partir de um histórico não relacionado.

Um queijo patrocinado pode ser elegível se se encaixar na cesta, estiver disponível e for identificado. O plano de medição deve comparar sessões elegíveis com e sem o tratamento patrocinado. Deve acompanhar a inclusão do queijo, a conclusão total da refeição, a substituição por outro queijo, o valor da cesta, o abandono e as devoluções.

Se a inclusão do queijo aumentar, mas o abandono também aumentar porque o módulo interrompe o processo de finalização da compra, a tática não é automaticamente bem-sucedida. A utilidade para os shoppers deve fazer parte do conjunto de resultados.

Meça a conclusão útil, não apenas os cliques

O Google Cloud recomenda o uso de eventos de compra concluída com campos de receita e quantidade para métricas de receita e pedidos, e seus tokens de atribuição identificam as interações veiculadas pelo sistema de recomendação.[5] O Google Analytics também oferece suporte a eventos de carrinho, finalização de compra, compra e reembolso no nível do item.[3]

Defina antecipadamente um resultado primário antes do lançamento. Um padrão útil é a adição incremental do produto elegível que cumpre a função ausente por sessão elegível, com o conjunto de funções e a regra de elegibilidade definidos previamente. Em seguida, relate:

• cestas elegíveis e módulos exibidos;
• adição à cesta de um produto ou de um produto que cumpra a função ausente;
• conclusão do conjunto de missões predefinido;
• unidades, categorias e valor incrementais;
• substituição ou canibalização;
• progresso no checkout, abandono e remoção;
• falhas de disponibilidade e recomendações suprimidas;
• sinais de satisfação repetidos, quando apropriado.

Trate o valor do carrinho, o abandono, a substituição, a remoção e as devoluções como resultados secundários ou parâmetros de segurança, a menos que um deles seja explicitamente escolhido como o estimando primário. Não monte um composto de conclusão de missão após verificar quais componentes apresentaram melhora.

As diretrizes da IAB/MRC exigem definições transparentes de resultados e métodos de atribuição.[1] Separe claramente recomendações orgânicas, recomendações patrocinadas e outras exposições da campanha.

A atribuição ainda não comprova o impacto. A IAB e a IAB Europe exigem um contrafactual confiável ao estimar a incrementalidade.[2] Randomize a elegibilidade das recomendações ou o tratamento de classificação, sempre que viável. Evite comparar pessoas que clicaram em uma recomendação com aquelas que a ignoraram, pois os grupos diferem em termos de intenção.

Modos de falha e medidas de proteção

Colapso da missão. O sistema trata cada item da cesta como uma única tarefa. Utilize agrupamentos, sequências e o contexto fornecido pelos shoppers.

Substituto exibido como complemento. Mantenha os tipos de relacionamento e as regras de compatibilidade.

Viés de popularidade. Os best-sellers globais suplantam produtos mais relevantes ou locais. Normalize em relação à demanda básica e inclua restrições de sortimento.

Intervenção comercial. O patrocínio promove um item que não atende aos requisitos dos shoppers. A relevância e a elegibilidade devem ser critérios rígidos.

Recomendação de produto fora de estoque. Use dados atualizados de disponibilidade e atendimento de pedidos.

Repetição. A mesma sugestão acompanha o shopper pelo carrinho e até o checkout. Aplique controles de frequência que levem em conta o estágio do processo.

Inflação do carrinho como único objetivo. Acompanhe o abandono, as devoluções, as remoções e o valor dos shoppers, bem como a receita.

Exagero causal. Use grupos de controle e relate o denominador elegível.

Lista de verificação dos compradores

Antes de aprovar a veiculação de uma campanha, pergunte:

• Qual estado de carrinho parcial aciona o sistema?
• Como as múltiplas missões são separadas?
• Quais tipos de relacionamento geram candidatos?
• Quais regras de elegibilidade não podem ser substituídas pelo patrocínio?
• Qual é a atualidade dos dados de estoque e preço?
• A recomendação é um único item ou um conjunto coerente?
• Como a influência remunerada é divulgada?
• Qual é o principal resultado de conclusão?
• Quais métricas de atrito do shopper e de substituição são monitoradas?
• Qual cenário contrafactual sustenta a alegação de incrementalidade?

Perguntas frequentes

A conclusão do carrinho de compras é o mesmo que “produtos frequentemente comprados juntos”?

Não. “Produtos frequentemente comprados juntos” é apenas uma das fontes possíveis. A conclusão do carrinho também requer inferência de intenção de compra, elegibilidade, compatibilidade, classificação, posicionamento e medição.

Todas as cestas devem receber uma recomendação?

Não. Algumas cestas já estão completas, algumas intenções não são claras e alguns contextos tornam uma sugestão adicional intrusiva.

Os produtos patrocinados podem aparecer?

Sim, desde que a influência paga seja claramente identificada e o produto atenda aos mesmos critérios de relevância para os shoppers, compatibilidade e disponibilidade.

Qual é a melhor métrica?

Use o resultado vinculado à tarefa, como a inclusão incremental de um item que faltava, além do valor da cesta, medidas de substituição e atrito. A taxa de cliques por si só é uma evidência fraca.

Conclusão

A conclusão da cesta de compras é um sistema de decisão, não uma lista de combinações populares. Identifique a missão ativa, gere candidatos plausíveis, verifique a elegibilidade, distinga complementos de substitutos e avalie adições incrementais úteis. O melhor posicionamento na conclusão da cesta ajuda o shopper em primeiro lugar e monetiza essa ajuda de forma transparente.

Fontes

[1] Interactive Advertising Bureau e Media Rating Council, IAB/MRC Retail Media Measurement Guidelines, 2024.

[2] IAB e IAB Europe, Guidelines for Incremental Measurement in Commerce Media, 2025.

[3] Google Analytics, Medir o comércio eletrônico.

[4] Google Cloud, Sobre modelos de recomendação.

[5] Google Cloud, Análise de visualizações.

[6] arXiv, Recomendação dentro do carrinho por meio do Neural Pattern Associator, 2024.

[7] arXiv, S2SRec2: Recomendação de conjunto para conjunto para completamento de cesta com receita, 2025.

[8] arXiv, Inferindo produtos complementares a partir de cestas e sessões de navegação, 2018.

[9] Autores da pesquisa da Allegro, *Além da relação de compra conjunta: evolução das recomendações complementares na Allegro*, pré-impressão de setembro de 2026.

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.