Você sabe funciona uma cesta de compras com inteligência artificial?
Imagine a seguinte situação: você vai ao mercado, missão sagrada de comprar fraldas porque o pequeno estourou o estoque. No caminho, passando pela gôndola, o que aparece? Uma cerveja gelada dando tchauzinho. Coincidência? Longe disso. É pura estratégia. E quem está por trás disso? A tão falada cesta de compras com inteligência artificial.
Esse exemplo é clássico e real: estudos mostraram que colocar cerveja perto das fraldas aumentava as vendas de ambos os produtos. Por quê? Porque muitos pais pensavam: “Já que estou aqui…”. E a IA entra justamente aí, para identificar padrões como esse.
Com algoritmos como o Apriori, a inteligência artificial tradicional analisa o histórico de compras para responder perguntas como:
“Quando alguém compra X, qual a probabilidade de levar Y junto?”
Antes feita no chute ou na unha, essa análise agora é automatizada com Python, Pandas e ferramentas como o Transaction Encoder.
A aula que inspirou este artigo mostrou na prática como usar IA para analisar dados reais. E agora, vamos explicar tudo passo a passo, com analogias do escritório, com Excel e com o dia a dia, porque IA não é só para programadores de jaleco e óculos de grau. É para você também.
1. Por que prever compras com inteligência artificial?
A missão é clara: otimizar decisões e aumentar resultados.
Imagine que você é analista de dados de uma rede de mercados. Seu gestor chega e pergunta:
“Coloque na ponta da gôndola o produto que mais vende junto com o leite.”
E você, com aquela planilha crua nas mãos, começa a suar frio.
Ou então, em um e-commerce, o desafio é outro: como aumentar o ticket médio sugerindo produtos certos no checkout?
É aí que entra a cesta de compras com inteligência artificial. Nesse caso, estamos falando da IA tradicional, aquela que analisa dados, identifica padrões e aprende com números, sem conversa fiada.
No exemplo do vídeo, a base de dados era real: milhares de itens comprados em diferentes datas. Tudo desorganizado, como um cupom fiscal rasgado jogado no Excel.
E o primeiro passo foi claro: organizar a bagunça.
2. Como organizar uma base de dados bagunçada no estilo Excel
Você já viu esse cenário: planilha com 50 mil linhas, onde cada linha representa um item vendido, mas nada agrupado por venda. O cliente João aparece na linha 1, 237 e 14.709. Um pesadelo.
Mas o objetivo é simples:
Criar uma tabela onde cada linha representa uma compra completa, com todos os produtos daquela transação.
Exemplo desejado:
| Transação | Produtos |
|---|---|
| 20251120_001 | Leite, Cerveja, Fralda |
| 20251120_002 | Iogurte, Chocolate, Absorvente |
Para isso, usamos:
- Pandas (o Power Query do Python)
- Criação de chave única (cliente + data)
- Agrupamento dos itens com
groupby + agg(list)
No Power Query, o caminho seria similar: agrupamento + concatenação de texto.
Resultado? Uma base limpa, estruturada e pronta para IA entrar em ação.
3. Matriz binária: sim ou não para cada produto?
Agora começa a brincadeira com inteligência artificial de verdade.
Pense em um quadro de presença, onde:
- Cada linha é uma compra
- Cada coluna é um produto
- Cada célula indica se o item foi comprado:
TrueouFalse
Assim:
| Transação | Leite | Fralda | Cerveja | Iogurte | Chocolate |
|---|---|---|---|---|---|
| 001 | True | True | True | False | False |
| 002 | False | False | False | True | True |
Essa estrutura é chamada de matriz binária, e é ela que o algoritmo Apriori precisa para identificar padrões de compra.
Com a biblioteca mlxtend e o TransactionEncoder, essa conversão de lista para matriz é feita rapidinho.
4. Apriori: o algoritmo que entende o que o cliente nem sabe
Com os dados prontos, é hora da mágica.
O Apriori vasculha os dados e encontra padrões recorrentes. Por exemplo:
- Fralda + Cerveja → aparecem juntas em 65% das compras
- Iogurte + Chocolate → 80% de chance de estarem no mesmo carrinho
- Leite + Vegetais → associação forte
Essas relações vêm com três métricas importantes:
- Suporte: frequência com que a combinação aparece
- Confiança: chance de um item aparecer com o outro
- Lift: quanto um item aumenta a chance do outro estar presente
Sim, parece técnico. Mas com uma boa visualização (até o ChatGPT ajudou na aula), tudo fica claro. E quando você entende essas regras, começa a tomar decisões melhores.
5. Tomando decisões baseadas nos dados
Agora que você tem regras de associação nas mãos, a estratégia muda de nível.
Você pode:
- Colocar o produto certo ao lado do leite na gôndola
- Sugerir itens relevantes no checkout da loja online
- Retirar produtos mal posicionados do destaque
Essas informações podem virar:
- Painéis interativos no Power BI
- Alertas automáticos no Excel
- Relatórios com insights para o time comercial
E o mais impressionante? Isso tudo pode funcionar com uma base de apenas duas colunas: identificador da compra e produto comprado. Simples assim.
6. Aplicações fora do varejo: o exemplo do RH
Acha que só funciona com vendas? Pense de novo.
Imagine um setor de RH com registros de cursos feitos por funcionários. Cada linha da planilha contém:
- Nome do colaborador
- Curso realizado
Se você agrupar os cursos por colaborador e aplicar o mesmo algoritmo, pode descobrir que:
- Quem faz Excel Avançado também faz Power BI
- Quem começa com SQL Básico tende a fazer Python depois
Ou seja: você passa a prever comportamentos de aprendizado e recomendar capacitações baseadas em dados. Isso é inteligência aplicada de verdade.
7. Quer ver isso funcionando na prática?
Se quiser acompanhar tudo isso com código, exemplos e uma pitada de humor, a aula completa está na LIVE 139, disponível no Módulo de INTELIGÊNCIA ARTIFICIAL TRADICIONAL da Formação DataEvo.
Nessa aula em especial, mostramos:
- Como importar bases de dados reais
- Como tratar e estruturar os dados
- Como aplicar o algoritmo Apriori com Python
- E, claro, como interpretar os resultados com clareza
Na DATAEVO você aprende a acabar com as tarefas repetitivas, e vira referência no time.
Você vai aprender a:
- Limpar bases de dados sem dor de cabeça
- Criar relatórios que se atualizam sozinhos
- Prever padrões com IA
- Pensar como cientista de dados (mesmo sem ser programador)
Porque no fim das contas, isso não é só sobre aprender ferramentas. É sobre ganhar tempo, confiança e destaque no seu trabalho.
Conclusão
Você viu que cesta de compras com inteligência artificial não é coisa de outro mundo.
Com uma base simples (tipo Excel), um bom agrupamento e um algoritmo como o Apriori, é possível:
- Encontrar padrões de compra
- Tomar decisões comerciais mais inteligentes
- Aumentar vendas com sugestões personalizadas
- Aplicar isso em marketing, vendas, RH, educação e onde mais você quiser
O segredo está em entender os dados, tratá-los com cuidado e aplicar a IA de forma prática.
Se parecer difícil, volte na aula, revise com calma e lembre-se:
Não é pra decorar. É pra entender.
Nos vemos na próxima, FERA!
