A inteligência artificial (IA) está transformando a forma como as empresas de pet food da América Latina definem preços, preveem demanda e gerenciam seus portfólios de produtos, afirmou Iván Franco durante uma sessão educacional no Petfood Forum 2026.
Franco, fundador da Triplethree International e consultor independente de empresas de pet food em estratégias de precificação, entrada em mercados e gestão de categorias, afirmou que a indústria está coletando mais informações do que nunca, mas sem dispor dos sistemas necessários para transformá-las em ações concretas. “Hoje, temos mais dados do que nunca, mas também menos clareza do que nunca. E isso não é coincidência.”
Segundo ele, as empresas contam com painéis de monitoramento, sistemas de rastreamento e pesquisas de mercado provenientes de diversas fontes. No entanto, esse grande volume de informações tem gerado mais ruído do que direcionamento. “Não temos um sistema capaz de transformar todos esses dados em respostas e decisões acionáveis”, afirmou.
Como resultado, as equipes frequentemente acabam repetindo estratégias do passado na expectativa de obter bons resultados. Franco observou que muitas reuniões semanais se limitam a analisar o desempenho passado, sem responder a questões voltadas ao futuro, como o impacto de um aumento de preço de 5% ou 10% sobre a receita, o risco de ruptura de estoque nas próximas semanas ou quais SKUs devem ser priorizados e protegidos.
O que a IA acrescenta: velocidade, escala e recalibração contínua
Segundo Franco, a inteligência artificial oferece três vantagens principais em relação às análises tradicionais: velocidade, escala e capacidade de recalibração constante.
Ele explicou que a construção de um modelo de elasticidade de preço costumava levar entre quatro e seis semanas e, frequentemente, exigia apoio externo, com custos elevados. Hoje, esse mesmo modelo pode ser desenvolvido em poucas horas.
Além disso, análises que antes estavam limitadas a um único SKU, mercado ou segmento agora podem abranger centenas de SKUs em diferentes mercados e canais simultaneamente. Esses modelos também podem ser atualizados continuamente à medida que novos dados são incorporados.
Segmentação revela perfis de alto valor escondidos
Franco compartilhou diversos estudos de caso da América Latina. Em um deles, uma empresa havia utilizado durante cinco anos uma segmentação baseada em apenas duas variáveis, gasto médio e preço, construída em uma planilha eletrônica.
Ao aplicar dados comportamentais e um algoritmo de agrupamento K-means, a equipe identificou seis segmentos distintos de consumidores.
Um dos grupos, até então negligenciado, comprava produtos premium em embalagens menores e permanecia fiel à marca independentemente de preço ou promoções.
Segundo Franco, a empresa classificava esses consumidores como compradores básicos, quando na realidade eles representavam um segmento de alto valor.
Modelo de elasticidade sustentou aumento de preços
Outro caso apresentado ocorreu no México. Durante um período de inflação elevada, uma empresa manteve seus preços inalterados por 12 meses, mesmo enfrentando um aumento de aproximadamente 20% nos custos de produção.
A equipe comercial resistia a reajustes por acreditar que perderia volume de vendas, embora não houvesse dados que sustentassem essa hipótese. “Após um modelo de elasticidade indicar que os compradores da linha premium eram relativamente insensíveis ao preço, a empresa aumentou os preços dessa linha entre 8% e 12%”, contou Franco.
O resultado foi um aumento de aproximadamente quatro pontos percentuais na margem combinada, enquanto o volume caiu apenas 1,5%, exatamente dentro da faixa prevista pelo modelo.
Promoções realmente geram resultado?
Em outro projeto, uma empresa realizava promoções com duração de três meses. Ao analisar o comportamento das vendas após cada ação promocional, a equipe de Franco descobriu que apenas seis dos 16 SKUs avaliados geravam demanda incremental real. Os demais apenas antecipavam compras que aconteceriam futuramente. “Você faz uma promoção e antecipa demanda do futuro. Está tomando emprestada essa demanda e pagando por ela com margem”, afirmou Franco.
A recomendação foi reduzir o calendário promocional, limitando as ações a um mês de duração e apenas aos seis SKUs que efetivamente criavam vendas adicionais. A mudança permitiu recuperar cerca de seis pontos percentuais de margem bruta.
Repensando a retirada de um produto do portfólio
Em outro caso, um grande varejista latino-americano de origem norte-americana avaliava retirar do portfólio o produto premium de uma família composta por três SKUs, já que suas vendas eram inferiores às dos outros dois itens.
Segundo Franco, a empresa acreditava que os consumidores migrariam para uma opção mais barata da mesma linha. No entanto, o modelo indicou outro cenário. “A empresa assumiu que os compradores fariam um downgrade para uma opção de menor preço, mas o modelo previu que eles migrariam para um concorrente ou até mesmo para produtos de categoria superior.”
Com base nessa análise, Franco recomendou que o produto permanecesse no portfólio, e a empresa decidiu adiar a retirada.
Transformando dados em decisões
Ao final da apresentação, Franco incentivou os participantes a começarem identificando qual decisão empresarial está gerando os maiores custos para suas organizações.
Segundo ele, dois anos de histórico de dados já são suficientes para construir modelos de elasticidade de preço, análise de promoções com defasagem temporal (distributed lag analysis), previsão de demanda e segmentação de consumidores.
O objetivo, destacou, não é produzir mais relatórios. “Vocês não precisam de mais bots. Não precisam de mais relatórios de pesquisa de mercado nem de mais apresentações. Precisam de decisões.”
Para Franco, o futuro do mercado não será definido por quem oferece mais produtos, mais dados ou mais ferramentas. “Será definido por quem toma decisões melhores, mais rápidas e mais precisas.”
