Valentina Assunção, analista de dados em uma empresa de e-commerce de médio porte, foi encarregada de avaliar se ferramentas de AutoML poderiam melhorar as estratégias financeiras de precificação dinâmica da empresa. O projeto durou três meses e usou dados internos de vendas combinados com dados de concorrentes via scraping.
Ferramentas e abordagem
As tecnologias subjacentes à IA testadas incluíram o Google AutoML Tables e o H2O.ai. Ambos usam arquiteturas de deep learning internamente, mas abstraem a configuração técnica. Valentina não precisou definir hiperparâmetros manualmente, o que acelerou os primeiros ciclos de teste.
Vantagens concretas
A análise de instrumentos de precificação ficou mais rápida. O modelo identificou que certas categorias de produto tinham elasticidade de preço diferente em fins de semana, algo que a equipe suspeitava mas não tinha confirmado com dados.
Limitações reais
O modelo falhou em categorias com poucos SKUs e histórico curto. Também não conseguiu incorporar variáveis externas como datas comemorativas sem reconfiguração manual, o que reduziu parte da vantagem de automação.
A maior surpresa foi perceber que o modelo era mais útil para confirmar hipóteses existentes do que para gerar hipóteses novas.
Para analistas que preferem trabalhar com dados estruturados antes de apresentar conclusões em reunião, o AutoML oferece um caminho mais silencioso e metódico do que as abordagens tradicionais de modelagem manual.