Hiperpersonalização no varejo: recomendação de produtos em tempo real

Durante anos, “recomendação personalizada” no varejo significou uma coisa só: “quem comprou X também comprou Y”, calculada em lote, uma vez por dia, com base no histórico agregado de todos os clientes. Funcionava, mas era estática. O cliente que mudou de interesse na terça-feira só via essa mudança refletida na prateleira digital alguns dias depois. Hiperpersonalização em tempo real é outra categoria de problema: a recomendação muda enquanto o cliente navega, reagindo ao que ele acabou de olhar, ao que colocou no carrinho e tirou, ao tempo que passou parado numa página específica.

A diferença parece sutil, mas separa dois mundos de resultado. Recomendação em lote reage ao passado do cliente. Recomendação em tempo real reage à intenção que ele está formando agora, o que muda completamente o que é possível vender e como.

O que muda quando a recomendação deixa de ser em lote e passa a ser em tempo real

Um sistema de recomendação em lote roda um job noturno, processa o histórico de compras e navegação de todos os clientes, e gera uma lista fixa de sugestões que fica igual até o próximo processamento. Um sistema em tempo real ingere cada evento de navegação (clique, scroll, tempo de permanência, item adicionado ao carrinho) e recalcula a recomendação em milissegundos, antes que o cliente saia da página.

Essa mudança de arquitetura importa porque a maior parte da intenção de compra se forma e se dissolve dentro de uma única sessão. Um cliente que estava pesquisando tênis de corrida pode, na mesma visita, mudar de ideia para tênis de caminhada depois de ler uma resenha. Um sistema em lote não captura essa virada. Um sistema em tempo real percebe a mudança de padrão de navegação e ajusta a vitrine antes que o cliente perceba que mudou de ideia.

Por que hiperpersonalização virou vantagem competitiva, não recurso de nicho

A pesquisa da McKinsey com consumidores mostra que 71% deles esperam que as empresas ofereçam interações personalizadas, e 76% ficam frustrados quando isso não acontece. O mesmo estudo aponta que empresas que crescem mais rápido geram 40% mais receita a partir de personalização do que concorrentes de crescimento mais lento, e que a mudança para o quartil superior de maturidade em personalização pode gerar mais de US$ 1 trilhão em valor somado só nas indústrias americanas analisadas.

Isoladamente, personalização (de forma mais ampla, sem contar só recomendação de produto em tempo real) costuma gerar entre 10% e 15% de aumento de receita, podendo chegar a 25% dependendo do setor e da capacidade de execução da empresa. Já discuti como esse tipo de ganho se aplica de forma mais ampla no guia completo sobre hiperpersonalização, mas o ponto relevante aqui é específico do varejo: recomendação de produto em tempo real é, hoje, o caso de uso mais maduro e mais mensurável dentro desse guarda-chuva, porque o retorno aparece direto na taxa de conversão e no ticket médio, sem depender de atribuição complexa entre canais.

A engenharia por trás da recomendação em tempo real

Construir um mecanismo de recomendação em tempo real que funcione exige resolver três problemas técnicos ao mesmo tempo. O primeiro é latência: a recomendação precisa ser recalculada e renderizada em uma fração de segundo, porque qualquer atraso perceptível quebra a experiência e faz o cliente notar que está sendo “processado”. O segundo é a combinação de sinais de naturezas diferentes, comportamento da sessão atual, histórico de compras, dados contextuais como localização e dispositivo, e às vezes até estoque disponível em tempo real, tudo isso precisa ser combinado num único modelo de decisão sem que um sinal mais lento (como histórico de compras) atrase o processamento de um sinal rápido (como o clique que acabou de acontecer).

O terceiro problema, o mais frequentemente ignorado, é o de exploração versus exploração consolidada: um sistema que só recomenda o que já sabe que o cliente gosta cria uma bolha e reduz a descoberta de novos produtos, enquanto um sistema que explora demais recomendações novas parece aleatório e perde relevância. Os times de dados mais maduros que já vi trabalhar nesse problema tratam a taxa de exploração como um parâmetro de negócio, não como um detalhe técnico, e revisam esse parâmetro por categoria de produto, porque categorias com ciclo de descoberta longo (moda, decoração) toleram mais exploração do que categorias de recompra previsível (itens de consumo, produtos de reposição).

Onde a linha entre relevante e invasivo fica embaçada

Quanto mais precisa a recomendação em tempo real fica, mais perto ela chega da linha que separa “a loja entendeu o que eu quero” de “a loja sabe coisas sobre mim que eu não contei”. Isabelle Zdatny, do Qualtrics XM Institute, descreve essa dinâmica como uma “creepiness to value ratio”: os clientes fazem, o tempo todo, julgamentos intuitivos sobre se a personalização que estão recebendo parece ajuda ou vigilância. Segundo ela, abordagens de baixa intensidade (itens vistos recentemente, ajuste de moeda por localização) são amplamente aceitas, abordagens baseadas em relacionamento (lembrar preferências, continuidade entre canais) parecem ganhas por uma relação já existente, mas abordagens de alta intensidade, como recomendação baseada em navegação e previsão de comportamento futuro, são onde “as coisas ficam mais delicadas”.

Já tratei da fronteira regulatória e de consentimento por trás desse tipo de coleta de dado no artigo sobre hiperpersonalização e privacidade, mas a régua que mais me parece útil na prática, para varejo especificamente, é a que a própria Zdatny propõe: “If you can’t explain it to the customer… then you should not be personalizing” — Isabelle Zdatny, Qualtrics XM Institute, em entrevista à Retail Dive (2026). Recomendação de produto passa nesse teste com folga quando se baseia no comportamento da sessão atual (um cliente entende por que a loja sugere produtos parecidos com o que ele acabou de ver). Fica mais difícil de explicar quando cruza dados de fontes que o cliente não associa conscientemente à sessão de compra, como inferências feitas a partir de dispositivos diferentes ou de dados comprados de terceiros.

Um roteiro prático para implementar recomendação em tempo real sem cruzar a linha

O primeiro passo é separar, desde o desenho do sistema, os sinais de primeira sessão (o que o cliente está fazendo agora, nesta visita) dos sinais de histórico (compras e navegações anteriores), porque o primeiro grupo é o que gera a percepção de relevância mais imediata e menos invasiva. O segundo é definir, por categoria de produto, o quanto de exploração o mecanismo deve injetar nas recomendações, para não criar uma bolha nem parecer aleatório demais.

O terceiro passo é medir latência como métrica de produto, não só como métrica de infraestrutura: se a recomendação leva mais de algumas centenas de milissegundos para atualizar, o cliente percebe o atraso antes de perceber a relevância. O quarto é instrumentar testes A/B constantes comparando a versão com recomendação em tempo real contra uma versão de controle sem personalização adicional, porque isso é o que permite provar, com dado real da própria operação, se o investimento está gerando o retorno esperado em conversão e ticket médio. O quinto, e o que mais empresas pulam, é revisar periodicamente que tipo de dado está alimentando o modelo e perguntar, para cada fonte, se um cliente comum conseguiria entender por que aquele dado está sendo usado.

Erros mais comuns que vejo empresas cometendo

O primeiro erro é confundir volume de dados com qualidade de recomendação: empresas que acumulam sinais de todas as fontes possíveis, mas nunca testam se aquele sinal adicional realmente melhora a taxa de conversão, acabam com sistemas caros e mais opacos sem ganho proporcional. O segundo é tratar a recomendação como projeto de tecnologia isolado, sem envolver o time comercial que entende as particularidades de cada categoria de produto, o que produz modelos tecnicamente corretos mas comercialmente estranhos, como recomendar acessórios incompatíveis com o produto principal.

O terceiro erro é não monitorar a “bolha de recomendação”: mostrar sempre variações do mesmo tipo de produto reduz a descoberta e, no médio prazo, reduz o ticket médio, mesmo que a taxa de clique de curto prazo pareça boa. O quarto é ignorar completamente a percepção de invasão até que ela vire reclamação pública, em vez de testar previamente, com grupos pequenos de clientes, se determinado tipo de recomendação (por exemplo, baseada em navegação em outro dispositivo) é percebido como útil ou como vigilância.

Como saber se a hiperpersonalização está funcionando

O indicador mais direto é a comparação de taxa de conversão e ticket médio entre uma amostra de clientes que recebe recomendação em tempo real e um grupo de controle equivalente que recebe recomendação estática ou nenhuma recomendação adicional, testada de forma contínua e não apenas em um piloto pontual. Um segundo indicador, menos óbvio mas igualmente importante, é a taxa de descoberta de produtos fora do padrão de compra habitual do cliente: se a recomendação em tempo real está apenas repetindo compras previsíveis, ela está otimizando o já esperado em vez de expandir o valor da relação.

Um terceiro indicador, que poucas empresas medem, é a taxa de opt-out ou de reclamação relacionada a personalização, cruzada com o tipo de sinal usado em cada segmento de recomendação. Isso permite identificar, com dado real, exatamente qual tipo de sinal está gerando desconforto antes que ele vire um problema de reputação maior.

O que fazer a partir de amanhã

Mapeie, na sua operação atual, se a recomendação de produto roda em lote ou em tempo real, e quanto tempo leva entre um evento de navegação e a atualização da recomendação exibida. Em seguida, escolha uma única categoria de produto para rodar um teste controlado comparando recomendação baseada apenas em sinais da sessão atual contra a abordagem atual, medindo conversão e ticket médio por pelo menos algumas semanas. E, antes de expandir qualquer novo tipo de sinal para o modelo de recomendação, aplique o teste de Zdatny: se a equipe não consegue explicar em uma frase simples, para o cliente, por que aquele dado está sendo usado, ainda não é hora de usá-lo.

Referências

• McKinsey & Company. The value of getting personalization right, or wrong, is multiplying. McKinsey Insights, 12 nov. 2021. Disponível em: mckinsey.com.
• McKinsey & Company. Unlocking the next frontier of personalized marketing. McKinsey Quarterly, 30 jan. 2025. Disponível em: mckinsey.com.
• Brady, Michael. The dark side of personalization. Retail Dive / CX Dive, 6 mar. 2026. Disponível em: retaildive.com.

Sobre a autora
Sou Euriale Voidela. Iniciei minha carreira em 1998 como operadora de atendimento e, desde então, construí uma trajetória de mais de 25 anos dedicada à evolução do relacionamento com clientes. Sou especialista em Customer Experience, Customer Success e Customer Centricity, fundadora e CEO da Customer Centric Consulting, editora-chefe do Portal Customer, presidente da AIESC, autora de 5 livros sobre CX e CS e conselheira de empresas.

Já vi times de dados construírem mecanismos de recomendação tecnicamente impecáveis que geravam desconforto em vez de conversão, e times mais simples, com sinais bem escolhidos e uma régua clara do que é explicável ao cliente, superarem eles em resultado. A engenharia da recomendação em tempo real é só metade do problema. A outra metade é saber onde parar.

Sobre a Customer Centric Consulting
A Customer Centric Consulting é a consultoria que fundei para ajudar empresas a transformar experiência do cliente em resultado de negócio, da estratégia à execução. Atuamos em diagnóstico de maturidade em CX e CS, redesenho de jornadas e processos, governança e indicadores, tecnologia e Inteligência Artificial aplicada ao atendimento, cultura centrada no cliente e estruturação de operações de contact center.

Nosso principal diferencial é o método CX Maturity Intelligence, um diagnóstico estruturado que combina análise qualitativa (pilares, critérios e regras que evitam avaliações infladas) com análise quantitativa de dados operacionais reais, como taxa de contato, comportamento do cliente único, speech analytics e correlações regulatórias. É esse cruzamento entre percepção e dado que torna possível saber, com precisão, em que estágio de maturidade uma empresa realmente está, e não em qual estágio ela acredita estar.

Já apoiamos mais de 100 projetos em empresas de diversos segmentos, sempre com o mesmo compromisso: colocar o cliente, e quem cuida dele todos os dias, no centro da estratégia.

Saiba mais em customercentric.com.br ou conheça também o Portal Customer, mídia especializada em CX e CS.

Sua operação de recomendação de produtos consegue explicar, em uma frase simples, por que sugere o que sugere para cada cliente? A Customer Centric Consulting aplica o diagnóstico CX Maturity Intelligence para mapear, com dado real da sua operação, onde a hiperpersonalização está gerando conversão e onde está gerando desconfiança. Fale com a nossa equipe.