Há uma pergunta que quase todos os negócios de retalho já fizeram a si próprios: o que é que os meus clientes costumam levar ao mesmo tempo? A resposta parece óbvia — pão e manteiga, impressora e tinteiros — mas a intuição só alcança as associações mais evidentes. As combinações que realmente mexem com as vendas costumam ser as que ninguém tinha reparado.
A análise de cesto de compras, conhecida em inglês por market basket analysis, é a técnica que transforma essa pergunta numa resposta medível. Em vez de adivinhar, olha para os talões reais e quantifica a força com que dois ou mais produtos aparecem no mesmo cesto. É uma das análises mais antigas da área de dados e, ainda assim, uma das que continua a dar retorno todos os dias — em supermercados, lojas online, farmácias e serviços por subscrição.
Neste artigo vais perceber o que esta análise mede, como se leem os três indicadores que interessam (suporte, confiança e lift), porque é que olhar só para um deles leva a decisões erradas, e onde é que tudo isto cria valor concreto. Termina com um mini-caso, com números plausíveis, para tornar a ideia tangível.
O que é, afinal, a análise de cesto de compras
Cada compra que passa numa caixa é um cesto: um conjunto de artigos comprados na mesma transação. A análise de cesto de compras percorre milhares ou milhões destes cestos à procura de padrões de co-ocorrência — produtos que tendem a aparecer juntos com mais frequência do que o acaso justificaria.
O resultado são regras de associação, que se escrevem na forma A → B e se leem como quem compra A tende também a comprar B. A regra não diz que A causa a compra de B; diz apenas que existe uma relação estatística entre os dois. Essa distinção é importante e vamos voltar a ela.
A técnica é agnóstica ao setor. Os artigos podem ser produtos de supermercado, mas também páginas visitadas num site, módulos de um software, serviços contratados ou sintomas registados numa clínica. Sempre que existam transações com vários itens, há um cesto para analisar.
Suporte: quão frequente é a combinação
O suporte mede a frequência com que um item, ou um conjunto de itens, aparece no total de transações. É a base de tudo, porque uma regra sobre produtos que quase ninguém compra raramente vale a pena.
suporte(A e B) = talões com A e B / total de talões
Se em 10 000 talões houver 500 com café e bolachas ao mesmo tempo, o suporte dessa combinação é de 5%. Um suporte baixo não invalida a regra, mas obriga a perguntar se o padrão é sólido ou apenas ruído de poucas compras.
Confiança: a probabilidade de B dado A
A confiança responde à pergunta: de todos os que levaram A, que fração também levou B? É uma probabilidade condicional.
confiança(A → B) = talões com A e B / talões com A
Uma confiança de 70% na regra café → bolachas significa que 70% de quem comprou café também comprou bolachas. Parece convincente — e é aqui que muita gente pára. O problema é que a confiança, sozinha, pode enganar.
Lift: o indicador que evita conclusões erradas
Imagina que as bolachas são um produto muito popular, presente em 65% de todos os talões. Uma confiança de 70% na regra café → bolachas deixa de ser impressionante: as bolachas aparecem em quase todo o lado, com ou sem café. A associação pode ser uma ilusão criada pela popularidade de um dos produtos.
O lift corrige exatamente isto. Compara a confiança da regra com a frequência natural de B:
lift(A → B) = confiança(A → B) / suporte(B)
A leitura é direta. Um lift maior que 1 indica associação positiva — comprar A aumenta a probabilidade de comprar B. Um lift igual a 1 significa independência: os dois produtos não têm relação. Um lift menor que 1 aponta para uma relação negativa, em que a presença de um afasta o outro. É o lift, e não a confiança, que separa as regras acionáveis das banais.
Um exemplo passo a passo
Vejamos com números. Suponhamos 1 000 talões, dos quais 200 incluem café, 300 incluem leite e 150 incluem café e leite ao mesmo tempo.
- Suporte de café e leite: 150 / 1 000 = 15%.
- Confiança de café → leite: 150 / 200 = 75%.
- Suporte de leite: 300 / 1 000 = 30%.
- Lift: 0,75 / 0,30 = 2,5.
Um lift de 2,5 é forte: quem compra café tem duas vezes e meia mais probabilidade de levar leite do que um cliente qualquer. Esta é uma regra em que vale a pena agir. Se o lift fosse próximo de 1, mesmo com 75% de confiança, a associação seria irrelevante.
Mini-caso: uma cadeia de supermercados regional
Uma cadeia de supermercados com cerca de 40 lojas analisou seis meses de talões — perto de quatro milhões de transações. A equipa de dados não procurava confirmar o óbvio; queria associações com lift elevado e suporte razoável que ainda não estivessem a ser exploradas.
Entre as regras que sobressaíram, uma chamou a atenção: os clientes que compravam cápsulas de café associavam-se fortemente à compra de bolachas e biscoitos de gama premium, com um lift de 3,1 e suporte suficiente para ser fiável. As duas categorias estavam em corredores distantes e nunca tinham sido promovidas em conjunto.
A cadeia fez duas coisas: aproximou fisicamente um expositor de biscoitos da zona das cápsulas em metade das lojas e criou uma promoção combinada suave, sem descontar produtos que já se vendiam bem sozinhos. Ao fim de dois meses, as vendas cruzadas das duas categorias subiram cerca de 18% nas lojas com a alteração, e o ticket médio nessas lojas passou de 23,40€ para 24,10€ — um crescimento de aproximadamente 3%. Modesto por transação, relevante à escala de milhões de talões.
O detalhe honesto: nem todas as regras com lift alto se traduziram em vendas. Algumas associações eram sazonais e desapareceram fora da época. Foi por isso que a equipa validou as mudanças com um teste antes de as alargar a toda a rede.
Onde é que isto cria valor
A análise de cesto de compras alimenta várias decisões concretas:
- Recomendações online: os blocos de quem comprou isto também comprou nascem, na sua forma mais simples, de regras de associação.
- Layout de loja: decidir o que fica perto do quê, para facilitar compras complementares ou, pelo contrário, obrigar a atravessar a loja.
- Promoções inteligentes: evitar descontos em pares que já se vendem juntos e usar antes um produto-âncora para puxar outro de margem maior.
- Gestão de rutura: perceber que a falta de um artigo pode arrastar a quebra de vendas de outro associado.
- Deteção de canibalização: lifts abaixo de 1 revelam produtos que competem pelo mesmo cliente.
Erros comuns a evitar
- Confundir associação com causa: a regra descreve co-ocorrência, não uma relação de causa e efeito.
- Celebrar regras triviais: descobrir que pão e manteiga se vendem juntos não muda nada. O valor está no inesperado.
- Ignorar o lift: agir só com base na confiança é o erro mais frequente e o mais caro.
- Trabalhar com itens raros: regras assentes em pouquíssimos talões são frágeis e pouco replicáveis.
- Esquecer a sazonalidade: muitas associações só existem em certas alturas do ano.
- Agir sem testar: uma regra é uma hipótese; confirma-a com um teste controlado antes de mudar tudo.
Como começar sem grandes investimentos
Não é preciso uma plataforma cara. As contagens de suporte e confiança fazem-se com SQL sobre a tabela de linhas de talão. Para gerar regras à escala, bibliotecas como o mlxtend em Python, com os algoritmos Apriori ou FP-Growth, resolvem o problema em poucas linhas. Para explorar e comunicar os resultados, o Power BI ou uma folha de cálculo chegam bem no início.
O conselho prático é começar pequeno: uma categoria, poucas dezenas de produtos, um período recente. Encontra duas ou três regras com lift elevado, testa uma mudança e mede o efeito. A partir daí, escala com confiança.
Na prática
A análise de cesto de compras vale menos pela matemática e mais pela disciplina de olhar para o que os clientes fazem, em vez de assumir o que achamos que fazem. O suporte diz se a combinação é frequente, a confiança diz quão previsível é, e o lift diz se vale mesmo a pena. Com estes três números e um teste honesto antes de decidir, transformas talões em decisões — de layout, de promoções e de recomendação — que se pagam a si próprias.
