Voltar ao blog
Mimetica Nota de método & caso · Setembro 2026
Varejo alimento orgânico BR

Retomar o Chão.

Consolidando 29 meses de dados dispersos de um varejista brasileiro premium, encontramos quatro erros de dados, um budget 24% acima do entregável, e a diferença real entre queda de tráfego e queda de tíquete.

Boa parte do trabalho de inteligência estratégica no varejo brasileiro premium não começa com o insight — começa com a consolidação. Os dados existem: budgets em planilhas por ano, projeções em outra pasta, venda diária em terceiro arquivo, SKU-level no ERP, custo por produto num balancete separado. Tudo verdadeiro. Nada conversando entre si. E — quase invariavelmente — com um ou dois erros herdados de exports antigos, que se propagam pelas leituras subsequentes sem que ninguém perceba.

Este documento reúne o caso de um cliente varejista brasileiro premium de alimento orgânico que operava oito lojas — hoje mantém duas ativas. A Mimetica consolidou 29 meses de dados dispersos, encontrou quatro erros de qualidade de dados que revertiam interpretações prévias, diagnosticou o problema real de uma loja em queda (tráfego, não tíquete), e propôs recalibração de metas para o segundo semestre de 2026 com sanidade metodológica. Nomes do cliente e das lojas foram omitidos por confidencialidade.

29
Meses de dados consolidados
2.499
SKUs classificados na Loja A
4
Erros de dados descobertos

−24%

Overshoot do budget · Loja A vs. entregável

Parte I · O contexto

Oito lojas viraram duas — e a meta continuava a mesma.

O cliente operava, no auge, oito lojas físicas em São Paulo — todas sob o mesmo posicionamento premium orgânico. Ao longo de um ciclo comercial de aproximadamente três anos, seis foram fechadas por razões que combinavam ponto, contrato de aluguel e retorno operacional. Restaram duas: Loja A, que perdeu tráfego progressivamente; e Loja B, que se mostrou estruturalmente saudável.

Cada loja tinha o próprio budget anual, projeção, meta operacional, e histórico de realizado. Cada fonte residia em arquivo diferente — spreadsheet de budget, spreadsheet de projeção, extração diária do ERP, SKU-level do sistema de retaguarda, balancete de venda do sistema fiscal. O time comercial acompanhava o realizado contra a meta mensalmente e via a Loja A furar. Furava havia doze meses consecutivos.

A pergunta operacional era: a loja está de fato piorando, ou a meta é que está errada? E se está piorando, o que está piorando — o tíquete ou o tráfego? A resposta exige consolidar 29 meses de fontes diferentes com uma única régua. Ninguém tinha feito ainda.
Chave de anonimização Marca do cliente omitida por confidencialidade. Loja A e Loja B são as duas unidades ainda ativas em São Paulo, ambas capital. As seis lojas fechadas ao longo do ciclo aparecem como "unidades fora do escopo forward-looking" e foram preservadas no histórico para análise de transferência. Concorrentes de benchmark mencionados apenas como categoria (industrial premium, orgânico premium, artesanal regional).
Parte II · A auditoria

Quatro erros de dados que reverteram interpretações prévias.

A consolidação começou como exercício mecânico. Não era. Cada uma das quatro descobertas abaixo modifica alguma interpretação que o time comercial vinha tomando como verdadeira — três delas silenciosamente havia meses. A regra de qualidade que consolidamos após esse caso: validação cruzada entre no mínimo três fontes independentes antes de aceitar qualquer número como base para meta ou pitch.

Erro 01

Abas mal rotuladas — dois meses de 2026 registrados como 2025.

No arquivo mestre de venda "2025-2026", as abas "Abril 2025" e "Maio 2025" continham, na verdade, os dados de Abril e Maio de 2026. Verificação cruzada: os totais batem exatamente com o realizado da Loja A em Abr/26 (R$ 593.321) e Mai/26 (R$ 558.554), e não batem com Abr-Mai/25 (R$ 722.058 / R$ 731.198). Um relatório executivo interno prévio havia assumido a janela Abr/25→Mar/26 para análise SKU-level. Dois meses inteiros foram tratados como o ano errado. Leituras sazonais foram reconstruídas.

Erro 02

Projeção 2026 com realizado "futuro" copiado de 2025.

O arquivo de projeção 2026 tinha campos de realizado preenchidos para meses ainda não vividos. Investigação: Nov/26 dia-a-dia era idêntico a Nov/25 dia-a-dia. O template foi provavelmente clonado a partir de 2025 sem limpeza do "realizado herdado". Qualquer projeção que somasse "realizado até hoje" para meses futuros estava contando venda inexistente. Corrigido no consolidado — datas > ponto de coleta anuladas em realizado; metas mantidas.

Erro 03

Outlier multiloja em uma janela SKU-level.

Em uma janela mensal do SKU-level da Loja A, o total aparecia como R$ 1,31 milhão — vs. R$ 654 mil no realizado oficial. Comparação com faturamento consolidado das outras lojas naquele mês sugere que o export incluiu, por acidente, o mix multiloja em vez do filter por unidade. Qualquer análise por produto que incluísse aquela janela estava dobrando o volume dos SKUs de circulação mais alta. Registrado com flag outlier_multiloja=True, excluído de análises subsequentes.

Erro 04

Um mês de balancete de venda entregue duplicado — como se fosse outro.

Do lote de quatro balancetes de venda entregues pelo cliente, o arquivo "maio Balancete de venda" era byte-idêntico ao de junho (verificado por MD5). Continha os dias 01-30/06. Cálculo de margem líquida de maio/2026 foi impossível a partir do balancete original. Registrado como gap de dados; solicitado re-export do fornecedor original.

Nenhuma dessas descobertas exigiu inteligência artificial ou modelo estatístico. Exigiram validação cruzada disciplinada — bater o realizado da fonte A contra a soma diária da fonte B contra a soma SKU-level da fonte C, no mesmo mês, para a mesma loja, e investigar quando a diferença ficasse acima de 0,5%. Nos 29 meses consolidados, essa disciplina identificou os quatro erros acima.

Parte III · O diagnóstico

Tráfego, não tíquete — e o que isso muda.

Com os dados limpos e a janela real (29 meses corretos), a comparação entre as duas lojas ativas produziu um diagnóstico não-óbvio. A Loja A estava, sim, perdendo faturamento — mas por que perdeu se tornou pergunta com resposta empírica clara. Não era problema de tíquete médio, não era problema de mix, não era problema de canal. Era queda de tráfego.

Loja A · em queda estrutural de tráfego

O tíquete está bom. As pessoas é que pararam de entrar.

  • Visitas/dia (média 2024): 244
  • Visitas/dia (média 2025): 218
  • Visitas/dia (Jul/26 parcial): 155
  • Tíquete médio: ~R$ 106 (estável)
  • Faturamento Jan-Mai/26 vs YoY: −17%
  • Realizado Jul/26 vs YoY: −24%
Loja B · estruturalmente saudável

O tíquete cresce. Tráfego estável.

  • Tíquete médio (2024): R$ 130
  • Tíquete médio (Jul/26): R$ 148 (+12% em 2 anos)
  • Realizado Jul/26 vs YoY: +2% (dentro da faixa)
  • Meta anual vs entregável do modelo: Dentro da faixa (bem calibrada)
A queda de faturamento é função quase inteira da queda de tráfego. Isso muda o remédio — não é reprecificação, não é reformulação de mix. É problema de aquisição, que exige diagnóstico próprio (ponto, entorno, competição adjacente, comunicação digital, programa de fidelidade).

A Loja B é a evidência de que o posicionamento premium orgânico não está morto. Quando o ponto e o ciclo de aquisição funcionam, a categoria vende. O problema da Loja A não é da marca — é local. Isso simplifica a decisão comercial.

Padrão comportamental diferenciado — sábado vs. segunda. As duas lojas têm perfil semanal oposto. A Loja A é loja de sábado (pico no fim de semana, movimento típico de destino, provavelmente trip de compra); a Loja B é loja de segunda (pico útil, movimento típico de repovoamento semanal). Isso implica que a ação de recuperação de tráfego da Loja A não é a mesma que a defesa de posição da Loja B — cada uma exige comunicação, incentivos e horário de campanha diferentes. Antes da consolidação, o time tratava as duas com o mesmo playbook.

Parte IV · A recalibração

Meta batível — e uma "meta de recuperação" atrelada a plano.

Meta que não se bate por doze meses consecutivos não é meta — é fantasia estatística que corrói o engajamento do time. A recalibração para o segundo semestre de 2026 foi feita com método explícito: índice sazonal calculado sobre os dois anos completos, duas projeções independentes (piso por regressão linear dessazonalizada, central por razão YoY), e a proposta = projeção central (cenário "o que acontece se nada mudar").

Loja A · segundo semestre 2026 · MAPE do modelo in-sample: 3,1% (Loja A) / 4,7% (Loja B). Loja B: manter o budget atual, que cai dentro da faixa do modelo.
MêsRealizado 2025 (R$)Piso (tendência)Meta recalibradaBudget atual
Jul664.562521.000552.000670.000
Ago666.415536.000553.000690.000
Set653.246498.000542.000678.000
Out654.316513.000543.000677.000
Nov583.782455.000485.000615.000
Dez519.466388.000431.000535.000
Total Jul-Dez3.741.7872.911.0003.106.0003.865.000

O que a recalibração proposta faz — e o que ela não faz

A meta proposta (R$ 3,11 milhões no semestre) é a projeção central do modelo — o que acontece se nada mudar. Ela devolve à equipe da Loja A uma meta batível, sem a qual não há como restaurar disciplina de execução. Foi essa a primeira recomendação ao C-level do cliente.

A diferença entre a meta proposta e o budget original — R$ 759 mil no semestre — não desaparece. Ela é reclassificada como "meta de recuperação", condicionada a plano de recuperação de tráfego com dono, prazo e métricas próprias. O que a proposta faz é separar a meta operacional (o que a loja entrega no ritmo atual) da meta comercial ambiciosa (o que ela entrega se a ação de recuperação funcionar). São duas metas diferentes, e é intelectualmente desonesto pagar bônus pela primeira e cobrar a segunda.

Parte V · Análises paralelas

O que a consolidação também destrava.

Uma vez consolidados os 29 meses, o mesmo dataset destrava análises que rodam em segundos e antes não rodavam nunca. Quatro exemplos concretos entregues junto com a recalibração de meta.

Análise A
Curva ABC de SKUs — o que vende e o que ocupa espaço

Classificação de 2.499 SKUs em classes A, B e C conforme contribuição para faturamento. Descoberta: margem líquida de classe A é ~44-46%; classe C fica em ~35-37%. A cauda longa da Loja A é menos rentável em média — candidata a poda editorial para simplificar operação sem perder receita significativa.

Recomendação: revisar rotatividade de classe C semestralmente; poda editorial de ~200 SKUs de menor giro.

Análise B
Ruptura de classe A no inverno — o buraco de junho-julho

A classe A da Loja A (essencialmente proteínas orgânicas — frango, ovos, cortes de carne) apresenta ruptura sistemática nos meses de Jun-Jul. É o próprio momento em que a meta é mais furada. Correlação: forte. Causa provável: sazonalidade de oferta do produtor combinada com falta de pré-pedido ao fornecedor-âncora.

Recomendação: pré-pedido de classe A com o fornecedor-âncora 60 dias antes do pico de inverno.

Análise C
Divergência preço-catálogo × preço-praticado — 617 SKUs desalinhados

Auditoria cruzada entre o catálogo cadastrado no ERP e o preço efetivamente praticado no PDV: 617 SKUs com divergência — a maioria pequena (arredondamento, oferta pontual), mas alguns significativos. Casos anômalos: um item registrado com margem negativa de −437% no acumulado (provável custo cadastrado errado), outro com estoque negativo persistente (falha de baixa).

Recomendação: rotina mensal de auditoria de identidade catálogo × PDV; alerta automático para margem < 0 ou estoque < 0.

Análise D
Benchmark de preço vs. concorrentes premium

Cruzamento do preço praticado do cliente com preços observados em outros varejistas premium (Google Shopping, coleta de terceiros) para as categorias-âncora (frango orgânico, ovos premium). O cliente pratica preço consistentemente acima da média premium em ambas — coerente com posicionamento, mas exige justificativa de valor para o consumidor que compara.

Recomendação: reforço editorial da procedência (fazenda, ciclo, certificação) no material de PDV; teste A/B de comunicação de valor por SKU-âncora.

Cada análise acima é subproduto da mesma consolidação. Nenhuma exigiu wave humana adicional, contratação de desk research, ou modelo estatístico complexo. Exigiu ter os 29 meses limpos, cruzados, e ancorados em régua única.

Parte VI · O método replicável

Para qualquer varejista com dados espalhados.

A metodologia aplicada neste caso é replicável a qualquer varejista físico brasileiro com múltiplos formatos de arquivo, ERP legado, e histórico de decisões tomadas sobre planilhas que ninguém consolidou por completo. O tempo de execução escala aproximadamente com o número de fontes, não com o número de meses. Um cliente com dez lojas ativas, cinco fontes distintas e cinco anos de histórico é entregável em quatro a seis semanas.

01

Inventário de fontes

Levantamento junto ao time comercial e ao TI de todos os arquivos, sistemas e spreadsheets que carregam dados de venda, meta, projeção, SKU, margem, custo, tráfego, visita, ou fluxo. Diagrama de responsabilidade (quem gera, quem mantém, quem consome).

02

Consolidação com régua única

Cada fonte é normalizada para o mesmo dicionário (mesma unidade de tempo, mesma nomenclatura de loja, mesma definição de "realizado", "meta", "projeção"). Validação cruzada entre no mínimo três fontes independentes antes de aceitar qualquer número.

03

Diagnóstico técnico

Decomposição faturamento = tráfego × conversão × tíquete. Sazonalidade explícita. Comparação entre unidades vivas do cliente para identificar padrão local vs. padrão de marca.

04

Recalibração de metas

Modelo de projeção com MAPE declarado; separação entre meta operacional e meta de recuperação; plano condicional atrelado à segunda com dono, prazo, métricas próprias.

05

Análises paralelas

ABC de SKUs, auditoria catálogo × PDV, ruptura por classe, benchmark de preço vs. categoria — todas subprodutos do mesmo dataset consolidado.

06

Handover com regra de qualidade

Cliente recebe o dataset consolidado + a rotina de validação cruzada + o modelo de projeção. A regra de qualidade "três fontes independentes antes de aceitar qualquer número" passa a rodar dentro da casa.

Boa parte do trabalho de inteligência estratégica no varejo brasileiro premium não começa com o insight. Começa com a consolidação — e com a disciplina de não aceitar como verdadeiro nenhum número que três fontes independentes não confirmem.