O agente autônomo que gerou +10% de receita nas páginas de coleção da FARM Rio
A maioria das páginas de coleção em e-commerce exibe a mesma ordem de produtos para todos os visitantes. Itens com alta conversão ficam enterrados abaixo da dobra. Lançamentos nunca acumulam impressões suficientes para provar seu potencial. Produtos com grade furada mantêm posições privilegiadas mesmo quando a maioria dos visitantes não consegue comprar seu tamanho. E nenhum time de merchandising consegue dar conta disso manualmente em centenas de coleções, atualizadas diariamente, segmentadas por região e dispositivo.
Nos últimos meses, operamos um agente autônomo que resolve isso em produção na FARM Rio, ajustado ao catálogo e às regras de merchandising da marca.
O dilema da ordenação de coleções
Toda abordagem de ordenação de páginas de coleção escolhe um lado do mesmo dilema: explorar o que já funciona ou explorar o que pode funcionar melhor. Ordenações estáticas por "mais vendidos" escolhem a exploração do conhecido. Os primeiros vencedores continuam vencendo, o catálogo para de explorar, lançamentos nunca têm uma chance justa, mudanças sazonais chegam com atraso. A curadoria manual pode equilibrar os dois lados, mas não escala para além de um punhado de coleções.
O PLP Optimization Agent toma o dilema em si como o problema. Ele modela o histórico de cada produto e a incerteza ao redor dele, depois ordena cada coleção de forma que os vencedores bem observados mantenham sua posição enquanto produtos incertos conquistem a deles. As duas metades rodam automaticamente, com dados que a loja já produz.
Ordenação estática ou baseada em regras
- Mesma ordem exibida para todos os visitantes
- Mais vendidos continuam vencendo, lançamentos ficam enterrados
- Produtos com grade furada mantêm posições privilegiadas
- Virada sazonal chega com atraso
- Curadoria manual não escala para além de poucas coleções
Ordenação adaptativa pelo agente
- Ordenação recalculada na cadência que você escolher, a partir do comportamento real dos usuários
- Vencedores confiáveis ranqueados com base em evidências
- Lançamentos recebem exposição calibrada para acumular dados
- Disponibilidade de estoque e regras de merchandising respeitadas
- Centenas de coleções tratadas por um único modelo
Como o agente funciona
O agente executa um loop completo de ponta a ponta. Ele lê eventos de comportamento do usuário a partir da analytics da sua loja, pondera-os por intenção de compra (clique, adição ao carrinho, checkout, compra), treina um modelo de ranking com os dados mais recentes e grava uma nova ordenação para cada coleção em uma programação definida. A ordenação é enviada diretamente para a vitrine. A cadência é sua: de hora em hora, diária ou qualquer intervalo entre os dois.
Cada etapa é exposta como uma ferramenta MCP tipada: fetch_dataset, train_model, predict_ordering. O pipeline pode ser invocado a partir de qualquer agente, workflow ou operador humano. Além do modelo, a tela de previsão permite que seu time empilhe critérios salvos (estoque, lançamentos, regras de visual merchandising) e publique uma nova ordenação sem tocar em código. Cada execução é registrada, cada mudança de ordenação é auditável, e qualquer coleção pode ser sobrescrita manualmente.
Roda na sua cadência
O loop completo (coleta, treinamento, previsão, publicação) roda na cadência escolhida por marca: de hora em hora, diária ou qualquer intervalo entre os dois. Operadores também podem disparar execuções sob demanda ou definir cadências diferentes por coleção.
Ajustado por marca
Pesos de recompensa, regras de visual merchandising (paleta de cores, estampas, agrupamento por marca), multiplicadores de estoque e decaimento temporal para lançamentos são configurados por marca.
Mudanças reais, não sugestões
Cada execução grava a nova ordenação diretamente no catálogo da vitrine. Produtos rotineiramente sobem ou descem dezenas de posições em uma única execução quando sinais de estoque ou conversão mudam, e cada movimentação é auditável por produto.
Log de auditoria completo
Cada execução registra a janela de dados de entrada, os scores resultantes de cada produto e o diff de ordenação aplicado a cada coleção. Fácil de inspecionar, fácil de reverter.
Seu time participa, se quiser
O agente é totalmente autônomo e pode rodar sem nenhuma intervenção humana. Mas se o seu time quiser participar, cada coleção tem uma tela de previsão: o ranking do agente, com a taxonomia da marca exposta como toggles. Disponibilidade de estoque, lançamentos da semana, estampas, ocasiões especiais, editoriais de praia, qualquer critério salvo que seu time tenha definido. Ative um critério e o ranking é recalculado na hora. Salve um novo conjunto, reutilize na próxima coleção. Clique em Aplicar e a nova ordem entra no ar na VTEX em um clique.
Essa é a parte do dilema que o ML puro não resolve. O modelo encontra receita. Seu time traz o gosto. O agente dá a ambos uma única superfície.
Em produção
O agente roda no catálogo da FARM Rio há alguns meses, com mais de 1.000 alterações de ordenação já publicadas nas coleções. Um teste A/B controlado contra a ordenação padrão da plataforma confirmou dois efeitos: um aumento na taxa de adição ao carrinho na PLP e um aumento de +10% na receita em categorias-chave.
O mesmo modelo lida com a virada sazonal automaticamente. Quando uma coleção muda (novos drops, eventos de sale, fim de temporada), o cold start calibrado dá aos novos itens sua chance justa. Quando os padrões de tráfego mudam entre regiões ou dispositivos, priors específicos por região absorvem a mudança. Nenhum reajuste é necessário.
O pipeline, em quatro etapas
Atribuir e agregar eventos
Uma query reduz os eventos brutos de interação do usuário a uma linha por produto. Cada sessão é colapsada em flags binárias de evento (impressão, clique, adição ao carrinho, checkout, compra), e então contagens marginais e co-ocorrências par a par são agregadas em todas as sessões em que o produto foi exibido.
Treinar o modelo de ranking
O agente atualiza a estimativa de desempenho de cada produto usando os dados de recompensa mais recentes. Produtos novos herdam uma estimativa de cold start calibrada a partir da distribuição do próprio site, para que apareçam alto o suficiente para acumular sinais sem dominar a página.
Prever a ordenação por coleção
Para cada produto em uma coleção solicitada, o sistema calcula um score, ordena de forma decrescente e retorna a nova ordenação. A inferência leva cerca de 22 milissegundos para uma coleção completa. Scoring específico por região é aplicado quando uma região é informada.
Publicar na vitrine
Cada execução grava a nova ordenação na VTEX através da API de catálogo. Regras de visual merchandising (paleta de cores, agrupamento por estampa, critérios de exibição por marca) são aplicadas como um passo de pós-ranking antes da publicação. O diff é armazenado, e qualquer coleção pode ser sobrescrita manualmente.
O que está incluído no loop
Por que isso supera as alternativas usuais
| Abordagem | Ponto forte | Ponto fraco |
|---|---|---|
| Curadoria manual | Controle editorial total | Não escala, lenta para se adaptar, enviesada pela recência |
| Ordenação por mais vendidos | Simples de implementar | O vencedor leva tudo, sem exploração, lançamentos ficam travados |
| Teste A/B | Rigoroso | Exige design manual de experimentos, lento para reagir |
| Greedy / collaborative filtering | Convergência rápida | Máximos locais, ignora incerteza, cold start instável |
| PLP Optimization Agent | Exploração automática, cold start calibrado, adapta-se conforme os dados se acumulam | Requer um pipeline de ML (que este agente já inclui) |
Disponível para qualquer loja
Cada catálogo é diferente. Definimos o escopo de cada implementação em torno das regras da sua marca, critérios de merchandising e pesos de recompensa. A configuração típica leva algumas semanas: verificação da instrumentação de analytics, acesso a dados, conector VTEX, treinamento do baseline, teste A/B contra sua ordenação atual. A partir daí, o agente roda sozinho, com auditoria completa e override manual disponíveis a qualquer momento.
Quer isso na sua loja?
Conte-nos sobre o seu catálogo e vamos definir o escopo de uma implementação. O agente já roda em produção e podemos ter um baseline treinado com os seus dados em poucas semanas.
.jpg){kind=small}
