Ainda estudando e aprofundando cada um dos 5 Gaps que o Retail Rewired Report 2025 liderado pelo Walmart Connect evidencia e como eles se conectam à maturidade (ou falta dela) do varejo brasileiro em Retail Media. Fizemos questão de realizar uma análise mais qualitativa e comparativa do atual contexto, quando se pensa em avaliar suas aplicações na prática, entendendo os desafios da mídia de varejo no Brasil. Assim teremos uma análise mais crítica e aplicável na prática.
Fricção Operacional X Demanda por Velocidade
O que o relatório mostra: 69% dos shoppers priorizam a rapidez da jornada, e 47% aceitariam que um assistente digital realizasse compras recorrentes dentro de um orçamento. A velocidade é vista não apenas como conveniência, mas como critério competitivo central.
O desafio no Brasil: a maioria das RMNs ainda opera com infraestruturas fragmentadas com dados dispersos, inventários não integrados, checkout com múltiplas etapas e ausência de motores de recomendação em tempo real. Isso gera atrito e reduz a percepção de valor. Grande parte das campanhas operam ainda de forma muito fragmentada sem visão unica de jornada posta em execução.
Caminho prático: implementar feature stores de tempo real, métricas de speed-to-buy (tempo médio até a conversão) e algoritmos de reranking que priorizem relevância + velocidade de descoberta. A experiência deve reduzir cliques, não multiplicá-los.
Recomendações Agressivas X Controle do Shopper
O que o relatório mostra: 24% dos consumidores só aceitariam assistentes digitais se tivessem a opção de revisar ou aprovar as compras sugeridas. A confiança nasce de manter o shopper no comando.
O desafio no Brasil: muitos projetos de personalização ainda tratam a IA como “motor de empurrar vendas”, sem considerar a percepção de autonomia do shopper. Isso gera rejeição a experiências automatizadas. Além disso, nem todo funil está voltado somente a conversão. A automização pode tentar empurrar só sell-out, sem entender o que shopper realmente está buscando em sua jornada específica.
Caminho prático: criar fluxos de “human-in-the-loop by design” que assistentes sugerem, mas o shopper aprova. Em categorias de baixa complexidade (ex.: básicos de supermercado), a automação pode ser mais proativa; já em categorias aspiracionais (moda, eletrônicos), a IA deve atuar como consultor, não executor. Grande parte dos varejistas (RMNs) consideram que os assistentes serão decisores, existe uma jornada gigantesca para chegar nesse nivel de maturidade.
Silos de Dados X Busca e Comparação Unificada
O que o relatório mostra: consumidores querem um ponto central de busca que compare preços, prazos e disponibilidade entre diferentes varejistas.
O desafio no Brasil: catálogos despadronizados, integração limitada entre e-commerce, sellers e lojas físicas, e ausência de mecanismos avançados de meta-search. O consumidor ainda precisa saltar entre apps e sites, perdendo tempo e confiança.
Caminho prático: construir motores unificados de busca e comparação, com catálogos normalizados e enriquecidos por IA. Isso permitiria oferecer não só o produto certo, mas a melhor condição (preço, prazo e disponibilidade), algo que hoje é diferencial competitivo de marketplaces globais.
Personalização Invasiva X Personalização Responsável
O que o relatório mostra: metade dos consumidores gosta de recomendações que antecipam suas necessidades, mas mais de um 1/3 as considera invasivas ou inadequadas. Privacidade e relevância são fatores decisivos.
O desafio no Brasil: grande parte das operações ainda utiliza dados de forma rudimentar, sem governança robusta de consentimento e sem transparência para o consumidor. Isso abre espaço para percepção de invasividade. Grande parte das recomendações são troca de dados entre marketplaces e redes sociais de forma muito unilateral, sem mergulhar na arvore de decisão de cada perfil de shopper em qualquer categoria. Os “tiros curtos” estão apontados somente para o sell-out, sem sequer previsão para pós-venda e recomendações de venda adicional.
Caminho prático: adotar um framework de personalização responsável, que combine três camadas: a) Transparência: explicar por que aquela recomendação apareceu; b) Controle: permitir ajustes de preferências e opt-in/out em experiências mais proativas; c) Diversidade: forçar variação de recomendações para evitar a sensação de “túnel algorítmico”.
Venda de Inventário X Prova de Incrementalidade
O que o relatório mostra: o estudo revela que consumidores enxergam valor em assistentes que encurtam a jornada e trazem eficiência comprovada, mas isso só se traduz em confiança se os resultados forem claros e mensuráveis.
O desafio no Brasil: a maior parte das RMNs ainda vende espaços publicitários como inventário — banners, search ads, ativações in-store, mas não consegue provar incrementalidade real para as marcas. Isso limita a evolução para modelos de investimento mais robustos.
Caminho prático: transformar a mensuração de incrementalidade em produto. Isso significa estruturar holdouts, modelos de atribuição multi-touch e relatórios que demonstrem ROI real e incremental. A indústria só vai migrar verbas de trade para Retail Media em escala quando a prova de valor for inequívoca. A jornada full funnel tem altissímo potencial de incrementalidade, resta as RMNs adotar modelos de atribuição e mensuração para cada tipo de campanha, perfil de shopper, perfil da categoria, etc. A complexidade é “triturada” pela análise de contexto da IA.
Os 5 gaps são tanto barreiras quanto oportunidades. O que o relatório internacional mostra é que a confiança do shopper e a sofisticação do modelo de negócios caminham juntas, e no Brasil, quem conseguir reduzir fricções, oferecer controle, unificar dados, personalizar com responsabilidade e provar valor incremental estará na vanguarda do Retail Media 2.0. É urgente criar times especializados de Retail Media e IA que garantam o atendimento dessas oportunidades em prol da alta performance do ecossistema, geração de maior confiança dos shoppers e, naturalmente, incrementalidade comprovada para confiança das marcas anunciantes.
