IA no varejo: como medir a margem real de cada pedido

Em uma matéria publicada em 9 de novembro de 2026, o Mercado&Consumo chamou atenção para um problema que aparece em muitas operações de varejo: faturamento e ROAS podem parecer saudáveis enquanto alguns pedidos deixam pouco resultado — ou até destroem margem. Descontos, cupons, cashback, rebates, comissões e mídia alteram a conta depois da venda.

A inteligência artificial pode ajudar a cruzar esses dados e encontrar padrões. Mas a primeira pergunta não é qual modelo usar. É se a empresa sabe calcular, com consistência, o que sobra em cada pedido. Sem essa base, a IA só acelera uma resposta construída sobre dados incompletos.

Faturamento e ROAS não contam a história inteira

Faturamento mede receita registrada. ROAS relaciona receita atribuída à publicidade com o valor investido em mídia. São indicadores úteis, mas não dizem, sozinhos, quanto uma transação contribuiu para pagar a operação e gerar lucro.

Imagine uma campanha que aumenta pedidos e apresenta um ROAS atraente. Se os pedidos dependem de cupons agressivos, frete subsidiado, comissão de afiliado ou uma taxa alta do marketplace, o valor que sobra pode ser bem menor do que a receita sugere. Some devoluções, meios de pagamento, embalagem e atendimento, e a diferença fica ainda mais evidente.

Isso não torna o ROAS inútil. Significa que ele responde a uma pergunta específica sobre mídia, e não substitui a análise de rentabilidade. Uma campanha pode cumprir sua meta de receita e ainda assim não atingir a margem necessária para a empresa.

Comece pela margem de contribuição do pedido

Uma forma operacional de começar é calcular a receita líquida recebida no pedido e subtrair custos variáveis diretamente associados à venda. A conta pode incluir custo do produto, impostos sobre a venda, comissão do canal, taxa de pagamento, desconto, cashback, frete bancado pela loja, embalagem, mídia atribuída e custo esperado de devolução.

Em termos simples: margem de contribuição por pedido = receita líquida do pedido − custos variáveis do pedido. Para avaliar a contribuição percentual, divida o resultado pela receita líquida usada na análise. O que entra em cada parcela precisa ser definido pela empresa e validado com as áreas financeira, fiscal e operacional. A alíquota de imposto, por exemplo, não deve ser estimada por uma ferramenta genérica.

O valor do produto não é o único custo de operação. Dependendo do negócio, entram ainda o subsídio de frete, tarifas fixas por pedido, custo de separação e embalagem, custo de antecipação de recebíveis e sistemas necessários para processar a transação. Se forem rateados, use um critério explícito e estável, como volume de pedidos por canal, em vez de esconder a despesa em uma média que ninguém consegue explicar.

Devoluções e trocas também precisam aparecer. Nem todo pedido terá retorno, mas a operação pode estimar um custo esperado por pedido usando dados históricos segmentados por categoria ou canal. A conta deve considerar logística reversa, atendimento, reprocessamento, estorno e eventual perda de valor do produto. Uma média geral pode mascarar diferenças importantes entre itens e jornadas.

A margem muda por canal, produto e condição comercial

O mesmo SKU pode deixar resultados diferentes na loja própria, em um marketplace e em uma venda assistida. Cada canal tem combinações próprias de comissão, pagamento, frete, mídia e serviço. Também mudam as condições promocionais, o mix de itens e a probabilidade de troca.

Por isso, a análise precisa permitir cortes por pedido, produto, canal, campanha, região e tipo de entrega. A média do e-commerce ajuda a acompanhar a direção, mas raramente explica onde a margem está sendo ganha ou perdida. Se o dado só existe no agregado mensal, a gestão descobre tarde demais quais combinações comerciais estão pressionando o resultado.

Onde a IA entra — e como provar que ajudou

Com dados de pedido, catálogo, pagamento, mídia e logística conciliados, modelos de IA podem apoiar a identificação de padrões: campanhas que vendem bastante, mas deixam pouca contribuição; produtos cuja margem cai com determinados descontos; ou regiões em que o custo de entrega muda o resultado. Também podem ajudar a priorizar análises e simular cenários de preço, promoção ou distribuição.

Isso é apoio à decisão, não prova automática de causalidade. Uma associação entre campanha e margem baixa não mostra, por si só, que a campanha causou a perda. É preciso verificar atribuição, comparar pedidos equivalentes e considerar sazonalidade, mix, estoque e mudanças de preço. Se um sistema recomendar reduzir desconto, por exemplo, a equipe deve medir tanto a margem quanto o efeito em conversão e volume.

Inclua também o custo de operar a própria IA: uso de modelos e computação, integração, monitoramento, revisão humana, suporte e manutenção. Uma recomendação que melhora a margem bruta, mas exige uma operação cara ou gera erros e retrabalho, pode não melhorar o resultado líquido. A métrica relevante é o ganho incremental depois do custo total da solução, comparado com uma linha de base definida antes do piloto.

Organize a medição antes de automatizar

Eu começaria com um recorte controlável: uma categoria, um canal ou um conjunto de campanhas. Definiria quais custos entram, de onde vêm os dados, como serão conciliados e quem responde por cada campo. Depois, registraria a margem por pedido antes da intervenção e os indicadores que não podem piorar, como conversão, cancelamento, devolução e satisfação.

O próximo passo é testar uma recomendação ou automação em condições comparáveis e revisar os casos em que o sistema erra, não tem informação suficiente ou deveria se abster. A decisão de avançar precisa considerar qualidade dos dados, margem incremental, custo total, exceções e capacidade de supervisão. Se os números de origem não fecham entre ERP, plataforma, mídia e financeiro, corrigir a integração pode valer mais do que adicionar outro modelo.

A matéria do Mercado&Consumo, baseada em falas de participantes de um encontro empresarial, apresenta a IA como possível apoio para identificar vendas pouco rentáveis e custos menos visíveis; não é um estudo independente de impacto. O ponto prático, porém, é sólido: tecnologia não substitui uma definição clara de rentabilidade nem dados confiáveis. Primeiro torne a conta auditável. Depois use IA para encontrar padrões e agir com controles.

No seu varejo, vocês sabem quais pedidos geram mais receita — e quais realmente deixam margem depois de todos os custos?