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.
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.
- 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.

| 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.

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.
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.




