Três modelos de AI em vez de tabelas de BI: como analisar a lucratividade dos produtos no Ozon

Um vendedor na Ozon vê que seu produto está no topo: o faturamento está crescendo, o catálogo está vivo. Mas no final do mês, o dinheiro de alguma forma não chega. Não porque não há faturamento algum, mas porque não está claro para onde ele foi depois das comissões do marketplace, devoluções e gastos com publicidade.

Por que as tabelas de BI não resolvem o problema

Esse é o problema de quase todo vendedor de e-commerce com um catálogo grande. Para 500–2000 itens de produtos, calcular o P&L completo manualmente são horas por semana, e na maioria dos casos, simplesmente ninguém faz isso. Um produto é avaliado pela métrica de faturamento, mas pela margem real pode estar no vermelho por anos, completamente despercebido.

Ferramentas de análise já existem há muito tempo no mercado. Mas quase todas elas simplesmente mostram muitos números em tabelas de forma bonita. Há muita informação, mas não há resposta à pergunta principal: o que eu faço com isso agora?

Os sistemas de BI clássicos funcionam por regras rígidas e configurações predefinidas. Eles não são flexíveis, não olham para o contexto de um produto específico, não dão conselhos.

Conselho de três modelos de IA

A SKUmind resolve isso não com um modelo, mas com um conselho de três diferentes. Há diferentes modelos de IA no mercado: Claude, GPT, e outros. Cada um é treinado de forma diferente e olha para a tarefa através de lentes diferentes. A ideia é simples: dar os mesmos dados para os três, e cada um vai expressar uma opinião independentemente. Depois um árbitro especial—também uma IA—analisa onde as opiniões concordam, onde divergem, e escolhe a conclusão mais confiável.

Por que exatamente três? Porque um modelo pode começar a alucinar e inventar fatos. Um segundo pode ser muito conservador e ver riscos que na verdade não existem. Um terceiro pode perder um detalhe importante. Quando há vários, cada um verifica o outro e encontra erros. É como quando em uma policlínica reúnem um conselho médico—um médico vê uma coisa, um segundo vê outra, um terceiro nota o que os primeiros dois perderam. No final, o diagnóstico fica mais confiável do que quando uma pessoa o analisa.

Cada um dos três modelos analisa por produto:

• Margem real após todas as comissões do marketplace e devoluções
• Efetividade de cada real gasto em publicidade
• Potencial de preço: se os preços estão superavaliados ou subavaliados
• Tendências sazonais e volatilidade da demanda ao longo do tempo
• Recomendações específicas sobre o que urgentemente precisa mudar

Implementação: API e longa revisão de código

Sob o capô, tudo se mostrou muito mais complexo do que parecia inicialmente. A Ozon não publica todas as métricas e números necessários através da API oficial. Tivemos que restaurar manualmente a lógica pela análise do tráfego de requisições.

Ajudou o fato de podermos executar duas sessões de Claude em paralelo e dar a elas a tarefa de analisar o mesmo problema de ângulos diferentes, depois comparar resultados. Depois que a lógica da aplicação finalmente se encaixou, começou a parte mais longa e tediosa: revisão de código. Porque este sistema impacta diretamente as decisões financeiras das pessoas, cada linha, cada algoritmo deve ser verificado criticamente.

Agora a revisão de código leva 60–70% de todo o tempo de desenvolvimento. Um processo longo e cansativo, mas completamente justificado quando se trata do dinheiro de outras pessoas.

O que isso muda na indústria

A IA sai da categoria de experimentos para a categoria de ferramentas de combate para o trabalho. Tabelas de BI estáticas em regras predefinidas rígidas—isso é coisa de ontem. Elas estão sendo substituídas por modelos que conseguem raciocinar flexivelmente, como humanos. Para e-commerce isso significa: transparência em finanças deixa de ser luxo para especialistas, se torna um padrão acessível para qualquer vendedor com um catálogo grande.