O Mercado Livre é, hoje, o maior ecossistema de comércio eletrônico da América Latina. Com mais de 100 milhões de compradores ativos e um GMV que ultrapassa os 50 bilhões de dólares anuais, a plataforma se tornou o campo de batalha mais competitivo para sellers brasileiros. Mas o que separa quem cresce de quem estagna não é mais o produto em si, é a inteligência sobre o mercado.
É nesse contexto que surge a ML Analise, uma plataforma brasileira dedicada exclusivamente à análise de produtos e anúncios para vendedores do Mercado Livre. Com ferramentas que transformam dados brutos de mercado em decisões estratégicas, a empresa promete entregar ao seller médio a mesma visibilidade analítica que antes era privilégio apenas das grandes operações.
Para entender como essa tecnologia funciona na prática, o Editor conversou com Gustavo Pires, CEO e fundador da ML Analise. A entrevista percorre desde a origem da ideia até os desafios de construir um produto de dados num mercado que muda de hora em hora, passando por inteligência artificial, regulação e o futuro da análise competitiva no e-commerce nacional.
1. Gustavo, antes de falar sobre a ML Analise, quero entender o que você viu no mercado que ainda não estava sendo resolvido. Qual foi o ponto de partida?
Gustavo Pires: A origem da ML Analise vem de uma frustração muito concreta. Eu acompanhava sellers de diferentes portes operando no Mercado Livre e percebia um padrão recorrente: eles tinham produtos competitivos, tinham estoque, mas não tinham visibilidade real sobre o que estava acontecendo ao redor deles. Não sabiam por que um concorrente estava ranqueando melhor. Não entendiam por que o anúncio deles, aparentemente completo, não convertia. Tomavam decisões de precificação no feeling.
O mercado já oferecia algumas ferramentas genéricas de e-commerce, mas nada construído especificamente para a lógica do Mercado Livre, que tem suas próprias regras de relevância, sua própria estrutura de catálogo, suas próprias variáveis de reputação. Então a decisão foi clara: construir algo do zero, pensado exclusivamente para quem vende dentro do ecossistema Meli. Não uma ferramenta genérica adaptada, mas uma plataforma nativa para esse ambiente.
2. O nome é direto ao ponto. Mas o que a ML Analise analisa, concretamente? Quais são as dimensões que a plataforma cobre?
Gustavo Pires: Trabalhamos em três grandes dimensões que se complementam. A primeira é a análise do anúncio em si: qualidade do título, completude de atributos, adequação da categoria, estrutura de variações, qualidade das fotos do ponto de vista de conversão. Muita perda de venda acontece por problemas que o seller não vê porque está olhando para o próprio anúncio sem parâmetro comparativo.
A segunda dimensão é a inteligência competitiva: quem são os outros players naquela categoria, como eles precificam, qual a combinação de preço mais frete que eles entregam, como está a reputação deles, qual o histórico de variação. Não basta saber que você está mais caro: você precisa entender se está mais caro por um motivo que o comprador percebe como valor, ou se está simplesmente perdendo conversão sem necessidade.
E a terceira dimensão, que considero a mais estratégica, é a análise de oportunidade de produto: identificar espaços no catálogo onde a demanda existe mas a oferta está subatendida, onde a qualidade média dos anúncios é baixa, onde dá para entrar com margem real. Isso serve tanto para quem está crescendo o portfólio quanto para quem quer defender a posição que já tem.
3. Inteligência artificial virou palavra de ordem em todo setor. No contexto de análise de Mercado Livre, o que a IA realmente entrega de diferente que uma análise manual ou uma planilha não entrega?
Gustavo Pires: A IA resolve dois problemas fundamentais que a planilha não consegue resolver em escala. O primeiro é velocidade e volume: o Mercado Livre tem dezenas de milhões de anúncios ativos, e os preços, estoques e posicionamentos mudam em tempo real. Uma análise manual captura um snapshot. A IA processa continuamente e detecta mudanças relevantes assim que acontecem.
O segundo problema é a correlação entre variáveis. Um seller olhando manualmente para os dados tende a buscar relações simples: “preço baixou, venda subiu”. Mas na prática, o resultado de um anúncio é função de pelo menos dez variáveis simultâneas: preço, reputação, prazo de entrega, tipo de logística, qualidade do anúncio, histórico de conversão, investimento em ads, sazonalidade. A IA consegue identificar quais combinações dessas variáveis estão produzindo os resultados que você vê, e o que seria necessário mudar para produzir um resultado diferente.
Mas sou honesto: a IA não substitui o julgamento do seller sobre o próprio negócio. Ela amplia a capacidade analítica. O valor está em colocar decisões que antes levavam dias de análise na mão do operador em minutos, com contexto suficiente para agir com confiança. Plataformas como a Cappei trabalham exatamente nessa linha de trazer inteligência estratégica para operações que não teriam acesso a ela de outra forma.
4. Fale sobre a parte de análise de anúncios com mais profundidade. Quais são os erros mais comuns que a plataforma identifica nos anúncios dos sellers?
Gustavo Pires: Os erros mais frequentes se agrupam em quatro categorias. O primeiro é o título mal construído: ou genérico demais, sem os termos que o comprador realmente usa na busca, ou com informações redundantes que desperdiçam caracteres importantes. O algoritmo do Mercado Livre lê o título como um dos principais sinais de relevância, e um título fraco drena posicionamento orgânico direto.
O segundo erro é a incompletude de atributos. O Mercado Livre usa os atributos técnicos tanto para indexação interna quanto para filtros de busca. Um anúncio com atributos incompletos simplesmente não aparece quando o comprador filtra por cor, tamanho, voltagem, material. Esses são compradores qualificados que o seller perde sem nem saber.
O terceiro é a desatenção à categoria correta. Parece básico, mas produtos categorizados errado têm relevância reduzida estruturalmente, independente de qualquer outro esforço. E o quarto, que é mais sutil, é a ausência de variações bem estruturadas. Variações mal configuradas fragmentam o histórico de conversão do anúncio e reduzem a força acumulada que o algoritmo atribui a ele ao longo do tempo.
5. Do ponto de vista de precificação, qual é a maior armadilha que os sellers caem quando tentam ser competitivos no Mercado Livre?
Gustavo Pires: A maior armadilha é competir por preço absoluto sem considerar a entrega percebida. O comprador no Mercado Livre não está comprando o preço do produto, ele está comprando o conjunto: preço do produto mais frete, prazo de entrega, reputação do vendedor e confiança no anúncio. Um seller com Full ativado entregando em 24 horas pode precificar acima de um concorrente sem Full e ainda assim ter vantagem competitiva real porque o comprador percebe mais valor na entrega rápida.
Quando você analisa apenas o preço nominal e tenta ser sempre o mais barato, você entra num ciclo destrutivo. A guerra de preço no Mercado Livre é uma corrida para o fundo que ninguém vence. A inteligência está em entender qual é o preço de máxima conversão para o seu perfil específico de operação, não o preço mais baixo do mercado. Às vezes o preço ótimo é cinco por cento acima do líder de preço mas trinta por cento abaixo do líder de prazo de entrega. Essa combinação específica é o que a análise de dados permite encontrar.
6. A questão de dados no Brasil mudou muito com a LGPD. Como a ML Analise navega esse território, especialmente num mercado como o Mercado Livre, onde há dados de comportamento de compradores e de operações de sellers?
Gustavo Pires: Compliance com LGPD é uma questão que levamos muito a sério desde a concepção da plataforma, não como checklist mas como princípio de design. Todos os dados que processamos são ou públicos por natureza (dados de anúncios visíveis a qualquer comprador) ou fornecidos diretamente pelo seller mediante autorização explícita via integração com a API oficial do Mercado Livre.
Não coletamos dados de comportamento de compradores individuais, não armazenamos informações pessoais de terceiros sem base legal, e toda a cadeia de tratamento de dados está documentada. A integração com a API oficial do Mercado Livre é justamente o mecanismo que garante que o acesso aos dados da conta do seller acontece com consentimento explícito, com escopo definido, e pode ser revogado a qualquer momento. Isso não é apenas compliance, é a base de confiança que um produto de dados precisa ter para ter longevidade no mercado.
A Associação Brasileira de Ciência de Dados e IA tem trabalhado muito na disseminação das boas práticas de governança de dados no ecossistema brasileiro, e o que vemos é que empresas que internalizam esses princípios desde o início ganham vantagem competitiva real, porque constroem confiança que depois é muito difícil de replicar.
7. Você mencionou a API oficial do Mercado Livre. Mas o ecossistema de dados do Meli tem limitações conhecidas. Quais são os maiores desafios técnicos de construir um produto de análise sobre essa base?
Gustavo Pires: Os desafios são reais e não adianta suavizar. O primeiro é a profundidade histórica: a API do Mercado Livre oferece janelas de dados que nem sempre são suficientes para análises de tendência de longo prazo. Construir série histórica própria exige infraestrutura de coleta e armazenamento contínuo desde o início, o que tem custo e exige decisões de arquitetura corretas desde cedo.
O segundo desafio é a latência: em categorias de alta competitividade, preços mudam múltiplas vezes por hora. Processar isso em quase tempo real e entregar ao seller de forma utilizável, sem sobrecarregar a interface com informação que ele não consegue absorver, é um problema de UX tanto quanto de engenharia.
O terceiro desafio é a cobertura de categorias. O Mercado Livre tem estruturas de catálogo que variam bastante entre categorias. O que funciona como sinal de qualidade em eletrônicos não é o mesmo que em moda ou em autopeças. Construir modelos que sejam sensíveis a essas diferenças sem perder generalidade é um trabalho contínuo. Ferramentas como o Replitfy estão tornando esse tipo de desenvolvimento mais acessível ao permitir que equipes menores construam produtos de dados sofisticados com mais velocidade.
8. Como você vê a evolução do perfil do seller brasileiro nos próximos anos? O vendedor que prospera em 2030 no Mercado Livre vai se parecer com quê?
Gustavo Pires: O seller que vai prosperar é o que trata o e-commerce como operação analítica, não como operação de abastecimento. A diferença é fundamental: quem opera no modo abastecimento foca em manter estoque, listar produtos e esperar a venda acontecer. Quem opera no modo analítico entende que cada anúncio é um ativo que precisa ser otimizado continuamente, que a precificação é uma variável dinâmica, que a inteligência sobre a concorrência é tão importante quanto a qualidade do produto.
Vai prosperar quem souber usar ferramentas de dados sem se tornar escravo delas. A IA vai automatizar cada vez mais a parte mecânica da otimização, os ajustes de título, os tweaks de preço, a identificação de atributos faltantes. O diferencial humano vai estar em decisões de portfólio, em relacionamento com fornecedores, em entender tendências antes que os dados as confirmem. O seller de 2030 vai ser, em essência, um gestor de portfólio digital com sensibilidade de mercado e capacidade de interpretar dados rapidamente.
9. Falando em futuro próximo: quais funcionalidades ou expansões estão no radar da ML Analise para os próximos meses?
Gustavo Pires: Temos algumas frentes que vão amadurecer em breve. A primeira é a expansão da inteligência de ads: a gestão do Mercado Ads se tornou cada vez mais crítica para visibilidade, e a intersecção entre investimento em mídia paga e performance orgânica é uma área que ainda está pouco explorada analiticamente. Queremos entregar ao seller uma visão integrada de como o investimento em ads está impactando não só as vendas diretas, mas o posicionamento orgânico de médio prazo.
A segunda frente é previsão de demanda com granularidade de SKU. Muita perda de margem no e-commerce acontece por ruptura de estoque ou por excesso de estoque em produtos errados. Ter um modelo que projete demanda por produto, considerando sazonalidade, tendências de categoria e comportamento histórico da conta, é uma funcionalidade que reduz custo operacional direto.
E a terceira, que é mais estratégica, é a expansão para outros marketplaces do ecossistema latino-americano. A lógica de análise que construímos para o Mercado Livre tem aplicabilidade em outros contextos, e existem oportunidades relevantes em mercados como Argentina e México que estamos avaliando com cuidado.
10. Para encerrar: que conselho você daria para um seller que está começando agora e ainda não usa nenhuma ferramenta de análise? Por onde começar?
Gustavo Pires: O conselho mais honesto que posso dar é: antes de investir em qualquer ferramenta, invista em entender o seu número. Sabe exatamente qual é a sua margem por pedido, já descontando comissão, frete, custo de ads, perdas por devolução e custo de oportunidade de capital em estoque? Se a resposta for não, comece aí. Não tem ferramenta de análise que salve uma operação que não conhece seu próprio custo de servir.
Quando tiver o número claro, aí sim comece a olhar para fora. A primeira análise útil é entender quem está ranqueando acima de você nos seus principais produtos e o que eles têm de diferente. Não para copiar, mas para entender se a diferença é algo que você pode atacar com qualidade de anúncio ou se é algo estrutural como reputação acumulada ou logística que você ainda não tem. Essa análise já direciona a energia para onde ela vai gerar retorno real. Ferramentas como a ML Analise existem para tornar esse processo mais rápido e mais preciso. Mas o raciocínio estratégico por trás delas precisa vir de você. Se quiser aprofundar esse tipo de pensamento orientado a dados, vale acompanhar a newsletter sobre Vibe Coding e tecnologia aplicada a negócios, que explora exatamente essa interseção entre inteligência analítica e decisão estratégica.
ML Analise: mlanalise.com.br
