Há produtos, pela sua natureza, que tendem a vender-se melhor em conjunto. Os exemplos mais óbvios seriam o café e as chávenas (ou açúcar), as câmaras fotográficas digitais e os cartões de memória ou as impressoras e os cartuchos de tinta.
Mas nem todas as vendas cruzadas são óbvias, principalmente quando falamos de bens de grande consumo nem sempre é fácil descobrir quais são as preferências do consumidor. Por isso é que algumas grandes cadeias de distribuição, como por exemplo a Amazon, criam algoritmos que, de forma inteligente e personalizada, sugerem produtos com elevada probabilidade de serem vendidos em função do histórico de cada utilizador.

Vejamos, então, um exemplo. Partindo da análise dos dados de um sistema de faturação, vamos ver como é possível prever com rigor que produtos têm mais probabilidade de serem vendidos em conjunto. Esta informação é muito útil para compreender os hábitos dos consumidores a partir do seu histórico de compras e desenvolver ações de marketing que ajudem a aumentar as vendas de produtos complementares ou para ajudar a prever o que irá o consumidor comprar a seguir. Eis os nossos dados:

Note-se que a maior parte dos sistemas de informação que registam transações de vendas não fornece a informação exatamente com este formato. Com toda a certeza, teríamos de fazer um trabalho de limpeza e edição de dados, usando ferramentas como o Power Query ou o Power BI, para chegar a uma tabela com esta estrutura.

Os valores desta tabela indicam 1 quando o cliente comprou determinado produto e 0 quando não comprou numa lista de 3782 transações registadas no último ano. Então, por exemplo, na primeira transação vendemos o produto D e na quinta, simultaneamente os produtos A, C e F.

Como definimos Lift ou a probabilidade de dois produtos serem vendidos em conjunto?

A partir da tabela acima, podemos definir o Lift como a probabilidade de dois produtos serem vendidos em conjunto. Ou por outras palavras, quando dois produtos têm mais probabilidade de serem vendidos em conjunto do que separadamente, diremos que têm mais Lift.

Deste modo, é possível exprimir esta ideia a partir de uma fórmula:

Se o resultado desta fórmula for superior a 100%, é mais provável que o Produto A e o Produto B sejam comprados em conjunto do que separadamente. É precisamente esta informação que pretendemos obter.

No numerador vamos contar o número de clientes em que ocorrem vendas do Produto A e B em simultâneo e no denominador teremos de calcular primeiro as proporções de clientes que compraram cada um dos produtos independentemente que multiplicaremos pelo número total de clientes.

Para o fazer, começamos por atribuir nomes às colunas que contêm o registo de transações. Daremos os nomes Produto_A até ao Produto_F, para as colunas B e G, respetivamente. Esta nomeação facilitará a utilização de fórmulas de contagem e soma, como veremos já a seguir.

Depois, criamos a tabela seguinte com o número total de transações e o número de transações por produto (em valor absoluto e em percentagem):

Podemos recorrer à fórmula INDIRECT para contar o número de transações por produto, usando por exemplo: SUM(INDIRECT(Produto_A)) para contar o numero de transações do Produto A.

O cálculo do numerador pode ser efetuado usando igualmente a fórmula INDIRECT. Por exemplo, para calcularmos o numerador da fórmula Lift para o produto A e produto B, teríamos:

{=SUM((INDIRECT(Produto_A)=1)*(INDIRECT(Produt_B)=1))}

Esta fórmula cria duas matrizes: uma com 1 ou 0 consoante existem vendas de Produto_A e outra com 1 ou 0 consoante existam vendas de Produto_B. Multiplicando uma matriz pela outra teremos uma nova matriz que devolve 1 se vendemos ambos os produtos e 0 caso contrário. Somando o total desta matriz teremos o total de transações com ambos os produtos.

Quanto ao denominador, simplesmente multiplicamos o número de transações do produto A e do produto B, recorrendo à fórmula VLOOKUP, que pesquisa a tabela de transações anterior:

=IF(I12<>I13;J1*VLOOKUP(I12;tabela_transacoes;2;0)*VLOOKUP(I13;tabela_transacoes;2;0);0)

No primeiro membro desta fórmula usamos uma expressão IF, para avaliar se I12 é diferente de I13. Fazemo-lo porque nas células I12 e I13 introduzimos os produtos que queremos comparar. Assim, se forem iguais, não fará sentido calcular o Lift, e a fórmula devolverá 0.

Por fim, o valor do Lift será a divisão do numerador pelo denominador, que recorre à fórmula IFERROR para prevenir o erro de divisão por zero:

=IFERROR(J15/J16;"---")

Ora, como a empresa em questão tem 48 produtos disponíveis (aqui simplificamos para incluir apenas 6), seria um pouco difícil encontrar a combinação de dois produtos que se vendem mais em conjunto do que separadamente.

Assim, precisamos de um modelo que permita calcular rapidamente o Lift para qualquer combinação de dois produtos e recorremos às tabelas de dados do Excel para analisar todas as combinações possíveis de uma só vez.

O resultado foi o seguinte:

Como podemos verificar, as combinações de produtos com maior probabilidade de serem comprados em conjunto são:

• o Produto A com o Produto F (175%)
• o Produto A com o Produto B (153%)
• o Produto F com o Produto B (141%)

Com esta informação, a empresa está a testar a venda cruzada destas duas combinações de produtos para averiguar se o consumidor responde a incentivos à compra dos produtos em causa em simultâneo.

Está também a estudar a possibilidade de travar o declínio na venda de alguns produtos através da oferta de produtos complementares e do desenvolvimento de novos produtos que correspondam aos desejos dos seus clientes.

Como vemos, os dados guardados nos sistemas de pontos de venda, no SAFT ou em ERP não devem servir apenas para análise descritiva. Com as ferramentas de gestão certas, poderão ser um poderoso instrumento de marketing.