À medida que as empresas de alimentos para pets acumulam mais dados do que nunca, muitas ainda enfrentam dificuldades para transformar essas informações em decisões de negócios mais eficazes. Durante o Petfood Forum 2026, Iván Franco, fundador e consultor independente da Triplethree International, explicou como a inteligência artificial (IA) e a análise avançada de dados podem ajudar fabricantes de pet food a ir além da análise do passado e começar a prever resultados futuros.
Na palestra "AI-powered analytics for pet food: Price elasticity, forecasting and decision-making in Latin America", Franco apresentou uma abordagem prática que combina dados, modelos preditivos e IA para aprimorar estratégias de precificação, previsão de demanda e gestão de portfólio.
"Hoje, temos mais dados do que nunca, mas também menos clareza do que nunca. Temos dashboards, sistemas de monitoramento e relatórios de pesquisa de mercado provenientes de diversas fontes, mas todo esse volume de dados está gerando mais ruído do que apoio à tomada de decisões”, afirmou Franco.
Velocidade, escala e recalibração contínua
Segundo Franco, muitas empresas do setor ainda baseiam suas decisões comerciais em relatórios históricos e na intuição. As equipes analisam o desempenho passado, discutem os resultados entre diferentes departamentos e repetem estratégias anteriores sem saber como mudanças futuras podem afetar os negócios.
"O que ninguém consegue responder nessas reuniões hoje são perguntas como: o que acontece se aumentarmos nosso preço em 5%? Vamos perder dinheiro ou não? Ou quais SKUs estamos protegendo, mesmo sendo os que menos contribuem para o desempenho do negócio?", exemplificou.
Para Franco, os principais diferenciais da IA são a velocidade, a capacidade de processamento em escala e a recalibração contínua dos modelos. Processos que antes exigiam semanas de análise e consultorias externas caras agora podem ser realizados em poucas horas. Da mesma forma, modelos antes limitados a um único produto ou mercado passaram a analisar simultaneamente centenas de SKUs em múltiplos canais de venda.
"Antes da IA, se quiséssemos executar um modelo de elasticidade de preços, precisávamos esperar de quatro a seis semanas. Hoje conseguimos montar esse modelo em apenas algumas horas”, contou.
Estudos de caso na América Latina
Franco apresentou diversos estudos de caso da América Latina para demonstrar o impacto da análise preditiva nos resultados das empresas.
Um dos exemplos envolveu uma fabricante de alimentos para pets que, durante anos, segmentou sua base de clientes apenas pelo gasto médio e pelos preços pagos. Ao aplicar um modelo de clusterização baseado no comportamento real de compra, a equipe de Franco identificou seis grupos distintos de consumidores, incluindo um segmento de compradores premium altamente fiéis que antes passava despercebido.
"A empresa classificava esses consumidores como clientes básicos", explicou Franco. "Na verdade, era exatamente o contrário. Eles representavam um segmento de alto valor."
Outro caso abordou a elasticidade de preços durante um período de alta inflação no México. Apesar do aumento dos custos de produção, uma fabricante de pet food evitou reajustar seus preços durante 12 meses por receio de perder volume de vendas. Um modelo de elasticidade mostrou, porém, que os consumidores de produtos premium eram relativamente pouco sensíveis a aumentos moderados de preço.
Com base nessa análise, a empresa elevou os preços de seu portfólio premium entre 8% e 12%, obtendo um ganho estimado de quatro pontos percentuais na margem consolidada, enquanto registrou apenas uma pequena redução no volume vendido. "A equipe comercial não queria aumentar os preços porque acreditava que perderia volume. Mas não havia nenhum dado que sustentasse essa suposição”, apontou Franco.
Avaliando o desempenho das promoções
Franco também mostrou como a inteligência artificial pode ajudar as empresas a medir a efetividade de ações promocionais. Em um dos projetos, sua equipe analisou se as promoções realmente geravam demanda incremental ou apenas antecipavam compras que aconteceriam de qualquer forma. A análise revelou que apenas seis dos 16 SKUs avaliados apresentaram crescimento consistente da demanda após as campanhas promocionais.
Como resultado, a empresa reduziu seu calendário promocional e concentrou os investimentos nos produtos que demonstravam retorno mensurável, recuperando aproximadamente seis pontos percentuais de margem bruta.
Outros exemplos apresentados abordaram a otimização de portfólio e a racionalização de SKUs, demonstrando como modelos preditivos podem estimar o comportamento dos consumidores antes mesmo que determinados produtos sejam retirados das prateleiras.
O objetivo é melhorar as decisões
Segundo Franco, o objetivo final da inteligência artificial não é produzir mais relatórios ou dashboards, mas fornecer aos executivos recomendações claras que impactem diretamente a rentabilidade dos negócios.
"Vocês não precisam de mais dashboards", afirmou. "Precisam de decisões."
Para os fabricantes de alimentos para pets que desejam iniciar sua jornada em análise avançada de dados, Franco recomenda começar identificando a decisão de negócio que representa o maior risco financeiro atual, aproveitar os dados já disponíveis e aplicar modelos preditivos capazes de gerar respostas acionáveis.
"A indústria de alimentos para pets do futuro não será definida por quem possui mais dados, e sim por quem tomar as melhores decisões, mais rapidamente e com maior precisão”, finalizou.
