Sistema de recomendação de produtos: qual funciona numa loja sem histórico de vendas?
Um sistema de recomendação de produtos sugere a cada visitante os itens com mais chance de compra. Os algoritmos clássicos aprendem com o histórico de pedidos, então loja pequena fica sem dado pra eles. A saída é perguntar ao cliente o que ele precisa. Segundo a McKinsey, personalização bem feita costuma render de 10% a 15% a mais de receita.
O problema é que quase todo conteúdo sobre o tema foi escrito pensando na Amazon e na Netflix, que têm milhões de compras pra alimentar o modelo. Uma loja na Nuvemshop com 40 pedidos por mês não está nesse jogo. Abaixo, explicamos os três tipos de sistema, por que dois deles dependem de volume, quanto isso tudo rende de verdade e como funciona a recomendação por perguntas, com os números que medimos em 122 mil quizzes completos no Magoquiz.
Atualizado em novembro de 2026. Dados verificados entre 2017 e 2026.
O que é um sistema de recomendação de produtos?
É qualquer mecanismo que decide quais produtos mostrar pra quem, em vez de mostrar a mesma vitrine pra todo mundo. Pode ser o bloco "quem comprou isso também comprou", um e-mail com sugestões ou uma página de resultado depois de um quiz.
A diferença entre eles está na fonte da informação. Existem três famílias:
A filtragem colaborativa é a que aparece nos trabalhos acadêmicos. Um artigo publicado na SBC descreve um modelo que infere a popularidade dos produtos pelo volume e pela recorrência das vendas. Funciona, mas a premissa é ter vendas pra contar.
Se a sua dor é cliente perdido num catálogo grande, vale ler também nosso guia sobre como ajudar o cliente a escolher o produto certo, que compara filtro, busca, guia de compra, quiz e chat.
Porque ele ainda não tem o que aprender. Na literatura isso se chama cold start, ou partida a frio. Sem pedidos, o modelo não sabe que quem compra o sérum também leva o protetor.
A própria Shopify documenta isso. Segundo a central de ajuda, as recomendações automáticas usam primeiro o histórico de compras. Quando ele não existe, caem pra descrição do produto e, por último, pra produtos da mesma coleção. Na prática, a loja nova recebe "outros itens da mesma categoria", que é o que o cliente já estava vendo.
Tem um segundo problema, menos falado: o histórico diz o que os outros compraram, não o que esta pessoa precisa. Uma cliente de pele oleosa e uma de pele seca podem ter clicado no mesmo hidratante. O algoritmo vê as duas como parecidas. Uma consultora na loja física faria uma pergunta e separaria as duas em dez segundos.
O blog da Shopify Brasil admite que recomendação não garante ticket maior. Ela coloca na frente do cliente itens que ele não teria visto.
Quanto um sistema de recomendação aumenta as vendas?
Os números mais citados vêm de empresas gigantes, e vale saber de onde saem antes de repetir.
- Salesforce, 2017: num estudo com 150 milhões de sessões, as visitas em que o cliente clicou numa recomendação eram só 7% do total, mas geravam 26% da receita (Salesforce, via Practical Ecommerce). O dado é antigo e continua sendo repetido como se fosse de 2026.
- McKinsey, 2021: 71% dos consumidores esperam interações personalizadas e 76% ficam frustrados quando não recebem (McKinsey).
- Netflix, 2015: Carlos Gomez-Uribe e Neil Hunt, que comandavam produto e algoritmos na empresa, escreveram que a combinação de personalização e recomendação economiza mais de US$ 1 bilhão por ano em cancelamentos evitados (ACM).
Os três casos medem o efeito em quem tem dado de sobra. Nenhum diz quanto uma loja de 300 produtos e 50 pedidos por mês ganha ligando o bloco de "produtos relacionados" do tema. Esse número quase ninguém publica, e nossa suspeita é que seja pequeno pelo motivo da seção anterior.
O dado de clique também esconde uma seleção. Quem clica numa recomendação já estava mais engajado. Os 26% da Salesforce não são 26% de receita criada do nada.
Como funciona a recomendação por perguntas?
Em vez de adivinhar pelo comportamento, você pergunta. Três a cinco perguntas sobre o problema do cliente ("qual seu tipo de cabelo?", "pra quem é o presente?", "qual o orçamento?"), e cada resposta aponta pra um grupo de produtos. No fim, a pessoa vê de dois a quatro itens e o porquê de cada um.
A recomendação por perguntas é o modelo baseado em conhecimento da tabela lá em cima. Ela resolve os dois problemas da filtragem colaborativa de uma vez:
- Funciona no primeiro dia. A regra "pele oleosa leva o gel, pele seca leva o creme" vem de quem conhece o produto, não de um histórico.
- Recomenda pra pessoa, não pra média. A resposta é dela, então a sugestão também é.
O custo é atenção. Cada pergunta a mais perde gente. Nos quizzes publicados no Magoquiz, a taxa de conclusão foi de 81,8% com 1 a 3 perguntas, 75,4% com 4 a 5 e caiu pra 60,3% com 6 a 7. Pedir dados de contato antes das perguntas, em vez de depois, derrubou a conclusão de 72,3% pra 56,1%.
Segundo Eric, fundador do Magoquiz, "em vez de mostrar uma vitrine de 30 joias e deixar o cliente se perder nelas, você vende muito mais dizendo pra ele qual combina com ele. Ele não é especialista, você é."
Se quiser ver formatos reais antes de montar o seu, separamos exemplos de quiz por nicho.
Qual sistema de recomendação escolher pra sua loja?
Depende de dois números: quantos pedidos você tem e quão difícil é escolher o seu produto.
- Muitos pedidos, produto de escolha fácil (camiseta básica, acessório de celular): o bloco nativo da plataforma ou um app de filtragem colaborativa resolve. Há dado pra aprender e o cliente não precisa de ajuda pra decidir.
- Poucos pedidos, qualquer produto: comece com recomendação manual (você escolhe os relacionados) ou com perguntas. Esperar o algoritmo aprender pode levar meses.
- Produto que exige diagnóstico (skincare, perfume, suplemento, cuidado capilar, presente): perguntas ganham mesmo com volume alto. O histórico não sabe o tipo de pele de quem chegou agora.
Os dois modelos também convivem. O quiz faz a primeira recomendação. O bloco de relacionados cuida do carrinho depois.
Como montar um sistema de recomendação por quiz no Magoquiz?
Nós construímos o Magoquiz exatamente pra esse caso: loja que não tem time de dados, mas conhece o próprio produto. Os produtos vêm direto da plataforma (Nuvemshop, Tray, Loja Integrada, Bagy), sem cadastro duplicado. Você liga cada resposta a produtos ou categorias, e a página de resultado mostra os itens com botão de compra.
Também dá pra pular a parte manual. A IA lê o catálogo, escreve as perguntas e faz as ligações, e você revisa antes de publicar.
O que medimos nos quatro maiores clientes, com dados do GA4 em 2026: visitantes que usam o quiz convertem em média 136% mais e compram com ticket 21% maior que os que não usam. É uma comparação entre grupos da mesma loja, no mesmo período, não um teste A/B, porque quem faz o quiz escolheu fazer. As lojas medidas têm porte parecido com o de quem usa Nuvemshop ou Tray.
O quiz também gera lead, coisa que o bloco de relacionados não faz. Quando a coleta de e-mail é opcional e fica no fim, 65,2% de quem termina deixa o e-mail mesmo assim. Esse cliente chega na sua base com a resposta do quiz junto.
Pra quem usa Nuvemshop, comparamos as opções em apps de quiz pra Nuvemshop. E o passo a passo de criação está no guia de quiz personalizado. O teste é grátis por 30 dias, sem cartão, em magoquiz.com.
Perguntas Frequentes
Sistema de recomendação de produtos precisa de inteligência artificial?
Não. A filtragem colaborativa usa estatística e aprendizado de máquina, mas a recomendação por perguntas pode ser só regra: "resposta A leva ao produto X". A IA ajuda a montar essas regras mais rápido lendo o catálogo, mas a lógica final pode ser revisada e editada por quem conhece o produto.
Quantos pedidos uma loja precisa pra recomendação automática funcionar?
Nenhuma plataforma publica um número oficial. A Shopify só diz que, sem histórico de compras, o sistema cai pra descrição e depois pra produtos da mesma coleção. Fornecedores de apps sugerem começar com curadoria manual abaixo de algumas dezenas de pedidos. Na dúvida, perguntar ao cliente funciona desde o primeiro dia.
Qual a diferença entre produtos relacionados e recomendação personalizada?
Produtos relacionados são iguais pra todo mundo que abre aquela página: dependem do produto, não da pessoa. Recomendação personalizada muda conforme quem está vendo, pelo histórico de navegação ou pelas respostas que deu. Um quiz é personalizado por definição, porque parte do que o cliente declarou.
Quiz de recomendação substitui os produtos relacionados da loja?
Não, e não precisa. Os dois atuam em momentos diferentes. O quiz ajuda na primeira escolha, quando o cliente ainda não sabe o que quer. Os relacionados aparecem na página do produto e no carrinho, quando ele já escolheu e pode levar um complemento. Usar os dois é o mais comum.
Quantas perguntas um quiz de recomendação deve ter?
De 3 a 5. Nos quizzes do Magoquiz, quem tinha até 3 perguntas teve 81,8% de conclusão, e quem tinha 4 a 5 teve 75,4%. Com 6 ou 7, a taxa caiu pra 60,3%. Cada pergunta precisa mudar o resultado. Se não muda, corte.
Recomendação de produtos funciona pra qualquer nicho?
Funciona melhor onde a escolha é difícil e o erro custa caro: cosméticos, perfume, suplemento, cabelo, moda por tamanho ou estilo, presente. Em produto de compra óbvia, como uma recarga ou um item de reposição, o cliente já sabe o que quer e uma busca boa resolve mais que qualquer recomendação.
