Aprenda a usar IA para validar a queda de pedidos, localizar o aumento de cancelamentos, priorizar hipóteses e testar ações na operação.
Painel visual conecta queda de pedidos e aumento de cancelamentos a uma investigação por inteligência artificial

Inteligência artificial • Operação • Food Analytics

Como usar IA para investigar queda de pedidos e aumento de cancelamentos

Quando pedidos caem e cancelamentos sobem ao mesmo tempo, a pior resposta é pedir para uma IA “descobrir o problema” sem definir período, fonte e métrica. O diagnóstico precisa começar pela validação do sinal, avançar para os recortes onde a mudança aconteceu e terminar em uma hipótese testável.

Resposta curta: use a IA para comparar períodos equivalentes, separar pedidos recebidos, concluídos e cancelados, localizar o desvio por canal, unidade, dia, horário e item e organizar hipóteses por evidência. Depois, uma pessoa da operação confere a causa no sistema de origem e escolhe uma ação reversível. Correlação ajuda a priorizar a investigação; não substitui a validação.

Neste guia, você encontra um método em cinco etapas, uma matriz de métricas e um modelo de pergunta para conduzir a análise. O objetivo não é terceirizar a decisão para a tecnologia. É reduzir o tempo entre perceber o problema e saber onde agir.

Primeiro: confirme se existe uma queda real

Uma comparação ruim pode criar um problema que não existe. O mês atual pode estar incompleto; um feriado pode deslocar a demanda; uma integração pode ter parado de enviar parte dos pedidos; uma unidade pode ter ficado fechada. Antes de procurar explicações, verifique se o sinal aparece em uma base completa e comparável.

Comece com duas janelas de mesma duração e, quando houver padrão semanal forte, compare os mesmos dias da semana. Em vez de olhar apenas o total do mês, abra a série por dia ou semana. Isso ajuda a distinguir três situações: uma queda contínua, um evento pontual e uma mudança concentrada em horários específicos.

Na Repediu, a tela de Evolução de vendas separa vendas de clientes novos e recorrentes, permite alternar entre quantidade e valor e compara períodos. Essa separação importa porque uma queda pode vir da aquisição, da recompra ou das duas frentes. Tratar os três cenários como um único problema leva a ações diferentes do que a evidência pede.

Checklist de validação do sinal

  • Os dois períodos têm a mesma duração e dias comparáveis?
  • O período mais recente está completo?
  • A fonte recebeu dados de todos os canais e unidades?
  • A definição de “pedido” é a mesma nos dois períodos?
  • O desvio aparece em quantidade, valor ou nos dois?
  • A mudança está em clientes novos, recorrentes ou ambos?

Separe o problema em quatro dimensões

“As vendas caíram” é uma descrição ampla. Uma análise útil organiza o estágio em volume, conversão, tempo e valor. Assim, a IA não confunde menos pedidos recebidos com mais pedidos perdidos durante a operação.

Matriz organiza volume, conversão, tempo e valor para investigar queda de pedidos e cancelamentos
Quatro dimensões evitam que a análise fique restrita ao volume bruto de pedidos.
Dimensão O que medir Pergunta de diagnóstico
Volume Pedidos recebidos, concluídos e cancelados Houve menos demanda ou mais perda depois que o pedido entrou?
Conversão Cancelados ÷ pedidos recebidos, por etapa e motivo Em qual ponto o fluxo deixou de avançar?
Tempo Horário, aceite, preparo, despacho e entrega O desvio aparece em picos ou depois de determinado tempo?
Valor Valor cancelado, ressarcimento e perda líquida Quais ocorrências mais afetam caixa e margem?

A taxa de cancelamento precisa ter denominador explícito. Se você divide cancelamentos pelos pedidos recebidos, mantenha essa regra em toda comparação. Misturar pedidos criados, confirmados e concluídos produz taxas que parecem comparáveis, mas contam jornadas diferentes.

O funil de diagnóstico em cinco etapas

A IA funciona melhor quando recebe uma sequência de investigação, não um pedido aberto. O fluxo abaixo começa pela qualidade do dado e só chega à recomendação depois de localizar e classificar o desvio.

Framework em cinco etapas para validar sinal, recortar dados, classificar causas, priorizar hipóteses e testar ações
O diagnóstico avança do sinal observado para um teste que pode confirmar ou refutar a hipótese.

1. Validar: o sinal é real e está completo?

Peça para a IA mostrar totais, cobertura e lacunas antes de interpretar. Se uma fonte não contém todos os canais ou se o dia atual ainda está em andamento, isso deve aparecer na resposta. Dados ausentes não viram causa; viram uma pendência de investigação.

2. Recortar: onde a mudança está concentrada?

Abra pedidos e cancelamentos por canal, unidade, dia da semana, faixa de horário e item. Procure concentração. Uma queda geral exige uma resposta diferente de um problema restrito ao jantar de sexta-feira, a uma unidade ou a um produto que ficou indisponível.

Inclua também o perfil do cliente. Se as vendas recorrentes caíram, a operação pode ter um problema de experiência ou retenção. Se apenas os clientes novos diminuíram, a hipótese pode estar em visibilidade, aquisição ou disponibilidade do canal. Ainda assim, o recorte não prova a causa; ele indica onde conferir.

3. Classificar: qual etapa e motivo explicam os cancelamentos?

Não trate todo cancelamento como igual. Classifique por momento da jornada e responsabilidade registrada: falta de confirmação, indisponibilidade, atraso, solicitação do cliente, falha logística ou problema após a entrega. Quando a classificação não existir ou estiver inconsistente, a primeira ação é melhorar o registro — não pedir para a IA preencher o motivo por suposição.

A área de Cancelamentos do iFood na Repediu reúne valor cancelado, ressarcimento, taxa sobre pedidos, perda líquida, histórico semanal e ocorrências mais caras para operações conectadas. Esse conjunto permite separar frequência de impacto econômico e localizar picos antes de abrir os casos individuais.

O próprio iFood orienta parceiros a observar falta de confirmação, itens indisponíveis e atrasos, além de usar o histórico e o Farol da Operação para entender padrões. A política de cancelamento do iFood também diferencia acordos conforme o momento do pedido. Como essas regras podem mudar, confirme sempre a orientação vigente no canal antes de alterar a rotina.

4. Priorizar: qual hipótese tem mais evidência?

Peça para a IA ordenar hipóteses por três critérios: tamanho do desvio, consistência do padrão e evidência disponível. Uma hipótese forte conecta um sinal mensurável a um mecanismo plausível e diz o que ainda precisa ser verificado.

Sinal observado Hipótese a conferir Evidência necessária
Cancelamentos concentrados em um item Indisponibilidade ou tempo de preparo incompatível Estoque, pausas do cardápio, tempo por item e motivo registrado
Pico depois de determinado horário Capacidade abaixo da demanda Pedidos por faixa, equipe, tempo de preparo e fila
Queda apenas em recorrentes Experiência recente ou frequência de recompra piorou Coorte, intervalo entre pedidos, avaliações e cancelamentos anteriores
Menos pedidos em um único canal Disponibilidade, visibilidade ou integração do canal Status da loja, catálogo, tráfego e recebimento de pedidos

Evite frases como “a IA identificou a causa” quando o que existe é uma correlação. A formulação correta é: “o padrão está concentrado neste recorte; estas são as hipóteses compatíveis; estes dados confirmam ou refutam cada uma”.

5. Testar: qual ação reduz a incerteza?

Escolha uma ação pequena, reversível e com métrica definida. Se a hipótese é sobre sobrecarga no pico, um teste pode ajustar capacidade, disponibilidade ou tempo informado em uma faixa específica. Se é sobre falta de item, revise estoque e pausa automática antes de mexer em mídia ou desconto.

Defina owner, período, baseline e critério de decisão. Um teste sem comparação apenas troca o palpite antigo por um novo.

Um modelo de pergunta para usar com IA

Você pode copiar o modelo abaixo e substituir os campos entre colchetes:

Objetivo: investigar a queda de pedidos e o aumento de cancelamentos.
Recorte: compare [período A] com [período B], usando dias equivalentes e separando por [canal, unidade, dia, horário e item].
Definições: considere pedido recebido, concluído e cancelado conforme [fonte]. Calcule a taxa de cancelamento como [fórmula].
Evidências: mostre volume, conversão, tempo e valor; identifique dados ausentes e possíveis falhas de cobertura.
Saída: separe fatos, hipóteses e verificações pendentes; priorize até três hipóteses; proponha um teste reversível com owner, prazo e métrica. Não conclua causalidade apenas por correlação.

Se sua operação usa a Repediu, o Repeteco IA responde perguntas sobre os dados da loja em português. Quanto mais claro for o recorte, mais fácil fica conferir a resposta. A ferramenta organiza a análise; decisões como alterar preço, disponibilidade, campanha ou atendimento continuam sob responsabilidade da equipe.

Para melhorar a qualidade da solicitação, você também pode aplicar o framework de objetivo, contexto, recorte, evidência e saída do artigo sobre perguntas para uma IA entender a operação do restaurante.

Transforme o desvio em um diagnóstico verificável

Abra o Repeteco IA, informe os períodos e canais e peça uma análise que separe fatos, hipóteses e dados ausentes. Revise a evidência antes de mudar a operação.

Montar meu diagnóstico

Erros que fazem a investigação apontar para o lugar errado

  • Comparar períodos incompletos: o mês atual parece pior porque ainda não terminou.
  • Olhar só valores absolutos: mais cancelamentos podem refletir mais pedidos; a taxa mostra a proporção.
  • Misturar canais e unidades: um desvio localizado desaparece na média consolidada.
  • Confundir pedido com venda concluída: o denominador muda e invalida a comparação.
  • Ignorar cobertura da integração: ausência de dado pode parecer queda de demanda.
  • Pedir recomendação antes do diagnóstico: a IA sugere ações sem saber onde o fluxo quebrou.
  • Automatizar correção sem gate humano: mudanças em cardápio, preço, campanha ou disponibilidade precisam de revisão.

Perguntas frequentes

A IA consegue descobrir sozinha por que os pedidos caíram?

Ela consegue organizar dados, localizar concentrações e propor hipóteses. Para afirmar a causa, é preciso conferir a fonte operacional, o contexto do período e o mecanismo que liga o evento ao resultado.

Qual métrica devo olhar primeiro?

Comece por pedidos recebidos, concluídos e cancelados no mesmo recorte. Depois calcule a taxa de cancelamento com denominador explícito e avalie tempo e valor. Isso separa queda de demanda de perda operacional.

Devo comparar com a semana anterior ou com o mesmo período do ano?

Use mais de uma referência quando a sazonalidade for relevante. A semana anterior ajuda a detectar mudança recente; períodos equivalentes ajudam a controlar dia da semana, feriado e sazonalidade. O importante é declarar a comparação e seus limites.

Quando uma correlação vira uma ação?

Quando o padrão é verificável, existe um mecanismo plausível e a equipe consegue executar um teste com risco controlado, owner, prazo e critério de sucesso. Até lá, a correlação é uma pista.

Conclusão

Usar IA para investigar queda de pedidos e aumento de cancelamentos não começa no prompt. Começa na definição das métricas, na qualidade da fonte e na escolha do recorte. A IA acelera a comparação e organiza hipóteses; a operação valida o que aconteceu e decide o teste.

O método é simples: confirme o sinal, abra os recortes, classifique os cancelamentos, priorize hipóteses por evidência e teste uma ação reversível. Assim, você troca uma pergunta genérica por um diagnóstico que pode ser conferido — e uma recomendação vaga por um próximo passo com dono e métrica.

Campartilhar post:

Mais posts: