A explōrātiō olha o seu histórico de venda e identifica o que se repete na mesma cesta — pares e combinações que viram combo no PDV, bundle no digital ou argumento na próxima negociação com o fornecedor. Você recebe um relatório com a recomendação pronta.
Você manda o histórico de transação¹ no formato que tem — exports do PDV, do ERP, da plataforma de e-commerce. A gente devolve um relatório com as combinações que se repetem na cesta, ordenadas pela força do vínculo, com indicação clara de onde a evidência é forte e onde ainda é cedo para conclusão.
¹ considerando bases sem erros de classificação, caso contrário iremos analisar a necessidade da contratação do Data Clean
O estudo chega pronto para uso — você recebe a lista de combinações que se repetem, ordenadas por força do vínculo, com a recomendação por trás. Vale para o time que monta gôndola, para quem desenha bundle no digital e para a próxima conversa com a indústria.
A sugestão de “quem comprou X também comprou Y” do seu motor de recomendação está pegando par raro e empurrando para todo mundo. A gente devolve uma lista priorizada, com medida da força do vínculo, pronta para o seu time integrar — sem mais teste de bundle no escuro.
Quando a pergunta é o que combina na mesma cesta — por loja, região ou rede — e a decisão precisa parar de depender de feeling de category. O estudo mostra padrões que se repetem em todo lugar e padrões que valem só em uma região, sem juntar tudo numa média que esconde a diferença.
Quando a pergunta é o que manter, consolidar ou cortar no mix. O estudo separa o produto que puxa a venda do que está ao lado (complemento) do produto que disputa o mesmo cliente com outro do seu próprio portfólio (substituição) — para você não cortar item achando que é gordura quando, na verdade, ele segura a cesta.
Entender quais produtos seus clientes compram no mesmo carrinho — com ou sem recorrência.
Cinco peças no relatório. Cada uma existe para responder uma pergunta concreta que vai aparecer na reunião com o time comercial, com trade ou com a diretoria — não para encher slide.
Lista das combinações que se repetem na cesta, ordenadas pelo quanto cada par realmente se reforça (não só pela quantidade de vezes que aparece junto, que pode ser efeito de produto popular). Responde “comprar A aumenta a chance de comprar B?” com número — não com sensibilidade do analista.
Mapa visual da rede entre produtos. Vê-se de longe quais itens são “centro” da cesta, quais são satélites e quais grupos se formam. Forma rápida para tomada de decisão sobre quais produtos podem ser ofertados numa promoção.
A mesma base, duas leituras: produtos que aparecem juntos na cesta (se um cresce, o outro tende a vir junto) e, quando o seu dado tem identificação do cliente, produtos que se alternam entre cestas diferentes do mesmo cliente (um come a venda do outro). Evita o erro clássico de cortar SKU que parecia gordura mas estava segurando a cesta.
Quando o escopo pedir mais rigor — catálogo grande, base muito densa, fornecedor que vai auditar — somamos indicadores estatísticos extras (Zhang, Jaccard, Kulczynski, certainty factor) que filtram associação espúria. Definição de cada um no glossário; na prática, é mais segurança para defender a recomendação.
Toda regra que entra no relatório vem em CSV, com os parâmetros e os recortes que usamos. Seu time de BI, de trade ou de CRM consegue refazer a leitura, integrar ao sistema de recomendação ou seguir testando — sem depender de memória oral da reunião.
Seis passos, do recebimento da base à reunião de leitura. Tudo é combinado antes — limiares, recortes, prazo.
Do briefing à entrega final
Os limiares que filtram quais regras entram no relatório são acordados no briefing e registrados no escopo. Quando a sua base traz identificação de cliente recorrente, somamos a análise de alternância entre cestas para separar complemento de substituição. Se a base precisar de tratamento antes do estudo, somamos o prazo do Data Clean e dizemos com franqueza.
Cada cenário descreve uma decisão concreta — combo na gôndola, bundle no digital, conversa com a indústria, racionalização de mix, leitura entre redes — e como o relatório chega para resolver. Cenários ilustrativos para entender como a explōrātiō pode ajudá-lo.
Casos ilustrativos · não representam clientes da explōrātiō
Três tamanhos de estudo, em entrega única. O preço varia por quantos produtos e categorias entram na análise. Antes de fechar, a gente olha uma amostra da sua base na conversa inicial — se o seu caso couber num pacote menor, a gente diz.
R$ 4.557
R$ 11.947
R$ 18.947
SKU e categoria contam no limite do pacote — o que vier a mais vira add-on ou novo estudo. Para agências que querem entregar o estudo sob a sua marca, e para times de dados que querem só o recorte técnico para integrar, temos formatos específicos — basta perguntar. Volume de transação muito acima do típico pode estender o prazo, não necessariamente o pacote.
Estudo é sobre recorte, e às vezes o recorte muda — categoria nova entra, rede adicional aparece, surge a vontade de olhar um cluster extra. Em vez de esconder a regra, deixamos a tabela à vista: o que dispara add-on, o que vira estudo novo, e quanto cada caso custa em cima do pacote contratado.
+35%
Mudança em até 25% do escopo assinadoEx.: Recorte focal (R$ 4.557) → R$ 1.595.
+50%
Mudança acima de 25% do escopoEx.: Recorte focal (R$ 4.557) → R$ 2.279.
25%
Limite por SKUs adicionadosEx.: Recorte focal — 80 SKUs. +20 (25%) → pontual. 21º SKU extra (≥30%) → amplo.
25%
Limite por redes ou categorias adicionadasEx.: Estudo completo — 3 categorias. +1 categoria (25%) pontual; 2ª extra (50%) → amplo. Vale para rede/canal extra.
30d
Uma rodada após entrega formalUma rodada após entrega formal (Estudo completo e Portfólio multi-rede). Recorte focal: só no briefing inicial.
Novo
Fora do add-on — orçamento à parteOutra rede ou trimestre, granularidade (SKU→EAN), mapa substituição sem ID de cliente, novo recorte de categoria, ou estudo conjunto com elasticidade — orçamento à parte.
Critérios A e B medem o % do escopo alterado · prevalece o maior índice · add-on pontual +35% ou amplo +50% sobre o pacote · tudo no escopo assinado
CSV ou export do seu ERP/PDV com pelo menos ID da venda e produto (SKU ou descrição padronizada). Opcional: rede/loja e valor. Aceitamos separador ; e encoding comum no Brasil — alinhamos no briefing.
Não. É estudo entregue com prazo e escopo fechados. Você recebe PDF e CSV estáticos, não acesso a painel nem login. Nova rodada (outra rede, outro trimestre) contrata-se separadamente.
Confidence responde “quando A aparece, qual a chance de B aparecer junto?” Lift responde “essa associação é mais forte do que o que aconteceria só por B ser popular?” Usamos os dois porque um par pode ter confidence alta e lift baixo quando B é frequente demais. Definições completas nos termos 05 e 06 do glossário abaixo.
Complemento (halo) aparece quando dois itens tendem a vir juntos na mesma cesta — é a leitura padrão do estudo. Substituição exige que a base tenha identificação de cliente recorrente para observar alternância entre compras diferentes do mesmo cliente. Isso fica explícito no escopo antes de rodar. Ver termos 07 e 08 do glossário.
Apriori exige volume mínimo por par — no briefing definimos support e o recorte (uma rede, uma categoria). Se a base for fina demais, dizemos antes de fechar o escopo, não depois da entrega.
Transferência por canal seguro; uso somente para rodar o seu estudo. Nada é treinado para outros clientes nem reaproveitado. Após a entrega, combinamos retenção e exclusão conforme sua política.
Contamos SKUs distintos que entram na matriz de cesta após limpeza, ou categorias quando o escopo é por família (ex.: higiene oral inteira). Recorte focal: até 80 SKUs ou 1 categoria. Estudo completo: até 250 SKUs ou 3 categorias. Portfólio multi-rede: até 600 SKUs ou 5 categorias. Se passar do pacote assinado, combinamos add-on ou novo estudo antes de rodar.
Após escopo e dados fechados: Recorte focal em 10 a 15 dias úteis; Estudo completo em 20 a 25; Portfólio multi-rede em 30 a 40. Base muito suja ou escopo que cresce no meio do caminho pode estender o calendário — alinhamos no briefing.
Os termos técnicos que aparecem no relatório, no CSV e na reunião de leitura. Está aqui porque quem opera dado (BI, trade, category) vai querer abrir e auditar — quem só recebe a recomendação não precisa ler.
Estudo de quais produtos aparecem juntos na mesma transação (carrinho, cupom, pedido). O objetivo não é prever venda total — é descobrir associações repetidas para mix, kit, gôndola, cross-sell e negociação com fornecedor.
Algoritmo clássico de regras de associação: parte dos itens mais frequentes e gera combinações que respeitam um support mínimo. No estudo usamos implementação via mlxtend, com parâmetros declarados no escopo e na memória CSV.
Cada linha é um ID de venda; cada coluna é um produto (SKU ou item padronizado). O valor é 1 se o item entrou naquele carrinho, 0 caso contrário. É a entrada do Apriori — não usamos quantidade nem valor na regra básica, salvo combinação explícita no escopo.
Frequência com que o conjunto de itens (ou o par A,B) aparece nas transações: P(A ∩ B) no universo do recorte. Limiar alto reduz ruído e deixa só padrões robustos; limiar baixo traz mais regras, inclusive fracas. Definimos o mínimo no briefing — não depois da entrega.
Probabilidade condicional P(B | A): entre os carrinhos que têm A, em quantos também aparece B. Responde “se o cliente levou A, qual a chance de levar B?”. Útil para operação e sortimento; sozinha pode superestimar itens muito frequentes — por isso cruzamos com lift.
Razão entre a confiança observada e o que seria esperado se A e B fossem independentes: lift = P(B|A) / P(B). Lift > 1 indica associação positiva (B “sobe” quando A está no carrinho); lift ≈ 1, padrão fraco; lift < 1, associação negativa. Trade e category costumam priorizar lift na mesa com fornecedor.
Quando o produto A puxa o B para a mesma cesta — aparecem juntos com frequência acima do acaso. É o sinal clássico do Apriori (lift > 1, support mínimo). Fundamenta recomendação de combo, adjacência na gôndola e bundle no digital (cenário 01 do estudo).
Quando A e B raramente aparecem na mesma cesta, mas o mesmo cliente alterna entre eles em compras diferentes — sinal de substituição, não de complemento. Exige ID de cliente recorrente. Na literatura de sortimento e preço, cross-effects costumam ser lidos em categorias distintas: entre marcas, entre tamanhos de pack, entre canais, entre faixas de preço (good/better/best) e entre regiões ou clusters de demanda.
Implicação direcional: presença de A associada a presença de B no mesmo carrinho, com métricas calculadas para esse par. Não é causalidade — é co-ocorrência no histórico. O relatório entrega ranking de regras, não só lista de pares simétricos.
Indicadores além de lift e confidence para comparar regras quando o escopo pede mais rigor estatístico. Jaccard mede sobreposição entre conjuntos; Kulczynski equilibra assimetria A→B e B→A; Zhang e certainty factor ajudam a filtrar associações espúrias em bases densas. Entram no pacote Estudo completo ou Portfólio multi-rede, conforme combinado.
Visualização em rede: nós = produtos, arestas = regras acima dos limiares acordados (espessura ou cor pode refletir lift ou confidence). Serve para comitê, fornecedor e alinhamento interno — incluso no PDF, sem depender de login em ferramenta.
Quando a base traz identificador de ponto de venda ou canal, rodamos o Apriori por recorte ou comparamos padrões entre redes. Responde se o kit vale nacionalmente ou só em uma região — diferente de misturar todas as lojas num único ranking sem aviso.
Algoritmo alternativo ao Apriori para minerar regras de associação — costuma escalar melhor em catálogos muito grandes. O estudo usa Apriori por padrão (via mlxtend); se o volume de transações e SKUs exigir, combinamos FP-Growth no escopo, com o mesmo pacote de métricas e entregáveis.
Export auditável com tabela de regras, métricas, limiares de support/confidence/lift e recortes aplicados. Permite ao time de BI ou trade refazer o raciocínio e integrar ao CRM ou motor de recomendação — sem depender de memória oral na reunião.
Poucas transações, catálogo muito largo com support irreal, ou produto raro demais para formar par estável. Nesses casos o relatório explicita a ressalva e sugere recorte menor, janela maior ou Data Clean antes de nova rodada — não entregamos regra bonita sem base.
Estudo de cesta entregue no escopo assinado. Pronto para a próxima reunião de category, para o time de trade defender na mesa do fornecedor e para o time de CRM integrar — sem “está quase pronto”, sem rodada de revisão eterna, sem entregar metade.
A conversa inicial é para olhar uma amostra da sua base e dizer com franqueza: tem estudo de cesta aqui que resolve, ou ainda é cedo. Se for, a gente desenha escopo, recorte e prazo na hora. Se não for, você sai com o diagnóstico mesmo assim.