Análise de dados no varejo: 7 usos práticos

O varejo brasileiro perdeu R$ 42,1 bilhões em 2025 — o equivalente a 1,65% de tudo o que faturou, segundo a pesquisa da Abrappe com a Protiviti. A cada R$ 61 vendidos, R$ 1 evaporou em quebras, furtos, erros de estoque e produto vencido na gôndola. E a parte incômoda: boa parte dessas perdas estava anunciada nos próprios dados da operação. Alguém só precisava olhar.

Esse é o ponto que separa o varejista que cresce do que apenas sobrevive. Não é acesso a dados: todo mercado, farmácia ou loja de roupa gera venda por cupom, giro por SKU e histórico de campanha. É o hábito de transformar esses números em decisão de compra, preço e mídia toda semana.

Análise de dados no varejo é o uso sistemático das informações de vendas, estoque, clientes e campanhas para decidir o que comprar, quanto cobrar, onde anunciar e quando promocionar. Na prática, ela responde perguntas operacionais: qual produto vai faltar, qual loja vende mais por categoria, qual campanha local dá retorno e qual cliente está prestes a sumir.

Por que o varejo é o setor que mais ganha (e mais perde) com dados?

Porque a margem é curta e o volume de decisões é enorme. Uma indústria decide preço algumas vezes por ano; um supermercado decide preço, exposição e reposição de milhares de itens toda semana. Cada decisão errada custa pouco isoladamente, mas o acumulado é o que a Abrappe mede em bilhões.

O contraste com a prática é grande. Um levantamento da Microsoft citado pelo Varejo S.A., da CNDL, mostra que 74% dos gestores de PMEs até consultam dados com frequência, mas só 33% conseguem transformá-los em decisão estratégica. O gargalo não é coletar — é analisar e agir. É aí que entram os sete usos abaixo.

1. Estoque: prever ruptura antes da gôndola vazia

Ruptura é venda que você já pagou para ter e não aconteceu. As lojas físicas brasileiras operam com ruptura de 10% a 12%, segundo dados da Neogrid compilados pela AGP Pesquisas; no e-commerce o índice chega a 36%. Pior: a indisponibilidade de produto responde por 42% das perdas de vendas, segundo a ABRAS.

A análise aqui é simples de descrever e trabalhosa de fazer na mão: cruzar giro médio por SKU com estoque atual e prazo de reposição do fornecedor. Se o item vende 8 unidades/dia, há 20 em estoque e o fornecedor leva 5 dias, a ruptura já está contratada: faltarão cerca de 20 unidades antes da próxima entrega. Quem enxerga isso na segunda-feira faz pedido extra; quem não enxerga descobre no sábado, com o cliente na loja.

2. Sazonalidade: comprar pelo calendário do seu cliente, não pelo do fornecedor

Todo varejista sabe que existe Natal e Dia das Mães. Menos gente sabe, com número, o que a sazonalidade faz na sua própria loja: qual categoria dobra em julho, qual semana do mês concentra a venda, o que o frio antecipado muda no giro. Essa curva se extrai do próprio histórico de vendas: dois anos de dados por categoria e por semana já revelam o padrão.

Um exemplo comum: uma rede de farmácias do interior percebe, olhando três anos de histórico, que a venda de vitaminas sobe 40% entre maio e agosto. Com isso, antecipa a negociação com o fornecedor para março, quando o preço de compra ainda está baixo. A margem extra não veio de vender mais caro, e sim de comprar melhor, com antecedência que só o dado dá.

3. Precificação e margem: saber onde você pode (e não pode) mexer

Preço no varejo costuma ser definido por markup padrão sobre o custo. Funciona como regra geral e falha nos extremos: itens de destino (aqueles que trazem o cliente à loja) toleram margem menor porque puxam o restante do carrinho, enquanto itens de conveniência aceitam margem maior sem derrubar volume. Sem análise, tudo recebe o mesmo tratamento e a margem fica na mesa.

O dado que resolve isso é a elasticidade observada: o que aconteceu com o volume nas últimas vezes em que o preço mudou. Não precisa de modelo sofisticado no início. Uma comparação de venda semanal antes e depois de cada alteração de preço, item a item, já mostra onde o cliente é sensível e onde não é.

4. Campanhas locais: mídia por loja, não por rede

Quem tem mais de uma unidade conhece o problema: a campanha que lota a loja do centro não move a do bairro. Tratar mídia como despesa única da rede esconde isso. A análise por unidade cruza investimento local (impulsionamento por raio, Google Ads com segmentação por região, encarte físico) com a venda incremental daquela loja no período.

Um mini-caso típico: um pet shop com três unidades investe R$ 1.500/mês por loja em anúncios locais. Ao cruzar campanha com venda por unidade, descobre que a loja A gera R$ 9 de venda incremental por real investido, a B gera R$ 4 e a C, R$ 1,20. Realocando o orçamento da C para a A, o mesmo dinheiro passa a render mais, sem gastar um real a mais. Esse tipo de leitura depende de juntar dados de mídia e de venda no mesmo lugar, o que raramente acontece quando cada plataforma vive isolada em seu próprio silo.

5. Mix e curva ABC: o que merece espaço na sua gôndola?

A curva ABC ordena os produtos por participação no resultado: os itens A (em geral, 20% dos SKUs) concentram cerca de 80% da venda ou da margem. A análise vale menos pela classificação em si e mais pelas decisões que destrava: item A nunca pode faltar; item C parado há 90 dias vira promoção ou sai do mix; espaço de gôndola migra de C para A.

O erro clássico é rodar a curva por faturamento e ignorar a margem. Um SKU pode ser campeão de receita e medíocre de lucro. Rodar as duas curvas lado a lado (receita e margem) muda a conversa com o fornecedor e a definição do que vai para a ponta de gôndola.

6. Clientes e recompra: o CRM que o varejo esquece de ler

Varejo com cadastro de cliente (programa de fidelidade, CPF na nota, e-commerce) tem uma mina pouco explorada: a frequência de recompra. Se o cliente que comprava a cada 30 dias está há 75 sem aparecer, ele provavelmente foi para o concorrente. Uma mensagem com oferta certa custa centavos perto de adquirir um cliente novo.

A régua é objetiva: calcule o intervalo médio de compra por cliente e dispare ação quando o silêncio passar de 2x esse intervalo. Esse mesmo dado alimenta o cálculo de LTV, que diz quanto vale recuperar cada cliente e, portanto, quanto você pode gastar para isso.

7. Previsão de demanda: o passo além do histórico

Os seis usos anteriores olham para trás. A previsão de demanda olha para frente: combina histórico, sazonalidade, tendência e eventos (feriado local, promoção planejada, clima) para estimar a venda das próximas semanas por categoria. É o que transforma compra reativa em compra planejada. Hoje é o caso de uso onde a IA mais entrega no varejo, como detalhamos em previsão de vendas com IA.

Vale a honestidade: previsão erra. Ela não elimina o julgamento do comprador; reduz o intervalo do chute. Errar a demanda em 10% com previsão é muito diferente de errar em 40% no feeling; no estoque essa diferença é caixa parado ou gôndola vazia.

Como esses usos se comparam na prática

Uso	Dado principal	Decisão que muda	Esforço para começar
Ruptura de estoque	Giro por SKU + cobertura	Quando e quanto repor	Baixo
Sazonalidade	Venda semanal por categoria (2+ anos)	Quando comprar e negociar	Baixo
Precificação	Volume antes/depois de mudança de preço	Margem por item	Médio
Campanhas locais	Mídia + venda por unidade	Orçamento por loja	Médio
Curva ABC	Receita e margem por SKU	Mix e espaço de gôndola	Baixo
Recompra	Intervalo de compra por cliente	Ações de retenção	Médio
Previsão de demanda	Histórico + eventos + clima	Compra planejada	Alto

Por onde começar sem travar a operação?

Comece pelo dinheiro que já está vazando: ruptura e curva ABC usam dados que qualquer sistema de PDV ou ERP exporta hoje e pagam o esforço em semanas. Planilha resolve no início, até deixar de resolver, o que acontece mais cedo do que parece quando os SKUs se multiplicam (escrevemos sobre o limite da planilha). O passo seguinte é consolidar venda, estoque e mídia numa visão única, com os indicadores que um dashboard de vendas bem montado entrega.

Perguntas frequentes

O que é análise de dados no varejo?

É o uso das informações que a própria operação gera (vendas por cupom, giro de estoque, cadastro de clientes, resultado de campanhas) para orientar decisões de compra, preço, mix e marketing. O objetivo não é produzir relatório: é reduzir perda, evitar ruptura e direcionar investimento para onde há retorno comprovado.

Quais dados o varejo deve analisar primeiro?

Venda e estoque por SKU. Esses dois cruzamentos sustentam os usos de maior retorno imediato: cobertura de estoque (evita ruptura) e curva ABC (organiza mix e espaço). Dados de cliente e de mídia entram na sequência, quando a base operacional já está sob controle.

Preciso de um sistema de BI para analisar dados da minha loja?

Não no primeiro momento. Um ERP ou PDV que exporte relatórios mais uma planilha bem estruturada resolvem os primeiros meses. O sinal de que é hora de evoluir é operacional: quando consolidar os dados passa a consumir mais horas do que analisá-los, a ferramenta virou gargalo.

Como a análise de dados reduz a ruptura de estoque?

Calculando a cobertura (estoque atual dividido pelo giro diário) de cada item e comparando com o prazo de reposição do fornecedor. Quando a cobertura fica menor que o prazo, o sistema aponta o item antes de ele faltar. É um cálculo simples que, feito por SKU e por loja, ataca diretamente os 10% a 12% de ruptura média do varejo físico.

Análise de dados funciona para varejo pequeno, com uma loja só?

Funciona, e proporcionalmente rende até mais, porque cada real de perda pesa mais no caixa. Uma loja única tem menos dados, mas também menos complexidade: curva ABC, cobertura de estoque e sazonalidade cabem numa rotina semanal de uma hora, desde que os relatórios saiam prontos do sistema.

O varejo que decide com dados compra melhor

A diferença entre os 33% que transformam dados em decisão e o restante não é orçamento nem equipe de analistas — é rotina. Os sete usos deste artigo têm um traço em comum: usam dados que sua operação já gera hoje e convertem em decisões que se repetem toda semana. O varejista que instala essa rotina compra melhor, perde menos e anuncia onde o retorno aparece. O que estiver do lado de fora dessa rotina continua sendo margem entregue de graça.

Se o obstáculo é o trabalho de juntar PDV, planilhas, Meta Ads e Google Ads antes mesmo de começar a análise, o Sherlok encurta o caminho: você conecta as fontes uma vez e passa a perguntar em português ("quais itens vão romper estoque esta semana?", "qual loja teve melhor retorno de campanha?") e receber a análise pronta, sem depender de planilha nem de time técnico.