Dot.lib

O varejo tem um pressuposto tão antigo que quase nunca é enunciado: a loja espera e o cliente chega. A automação está invertendo isso. Com veículos autônomos, robótica e inteligência artificial cada vez mais disponíveis, começa a surgir um modelo em que a loja vai até o cliente, e empresas como Robomart, Nuro e Neolix já operam variações dessa ideia. A pergunta operacional que continua aberta é bem menos glamourosa que a tecnologia: uma vez que a loja pode ir a qualquer lugar, como se decide para onde ela vai?

Junyu Cao, da Universidade do Texas em Austin, Wei Qi, da Universidade Tsinghua, e Yan Zhang, da Universidade McGill, formalizaram essa decisão em artigo publicado no Manufacturing & Service Operations Management, periódico de nossa parceira INFORMS. A resposta vem acompanhada de um número — 2,56% a mais de lucro em relação às estratégias convencionais de localização — e de uma ressalva que, para quem vai operar uma frota, importa mais do que o número.

Aprender e Lucrar Ao Mesmo Tempo

O problema que os autores modelam é o que a literatura chama de "aprender e lucrar" (learning-and-earning). Uma loja móvel enfrenta uma demanda desconhecida no início, que ainda por cima muda o tempo todo e é influenciada por fatores como clima, densidade populacional e movimento do bairro. Cada posição escolhida produz duas coisas ao mesmo tempo: o lucro do dia e uma fatia de informação sobre uma demanda que ainda não se conhece. Escolher sempre o ponto que hoje parece melhor congela esse aprendizado; explorar sem critério cobra a conta em vendas perdidas.

A formulação dos autores toma ações otimistas sob incerteza de parâmetros. A dificuldade está em que a otimização conjunta sobre o conjunto de parâmetros e o de ações se complica pela natureza combinatória do problema e pelo número infinito de posições possíveis dentro do espaço urbano. Não se trata de escolher entre dez esquinas: o conjunto de ações é contínuo.

Onde Estava a Dificuldade Técnica

Para contornar esses dois obstáculos, os pesquisadores recorrem a métodos de aproximação contínua e propõem, sob certas estruturas particulares do problema, um arcabouço de aprendizado que chamam de otimista com aproximação contínua (CA-O). Em cenários mais gerais, porém, o problema permanece intrincado por causa da não convexidade nos parâmetros desconhecidos. Para esses casos, apresentam uma alternativa: um algoritmo de aprendizado CA-O mais rápido, baseado em técnicas de aproximação de primeira ordem, para o qual demonstram ainda um gradiente em forma fechada que garante eficiência computacional. O desempenho dos dois algoritmos é analisado teoricamente em termos de regret — o arrependimento acumulado em relação à decisão ótima — e validado numericamente.

Vale parar nesse detalhe, porque ele explica a diferença entre um modelo publicável e um modelo utilizável. Um gradiente em forma fechada é o que permite recalcular a decisão de reposicionamento no ritmo da operação, e não no ritmo de um centro de processamento.

Toronto, e os 2,56%

O estudo de caso foi construído sobre dados de varejo de Toronto. Ali, segundo os autores, o algoritmo supera significativamente as alternativas de referência, e as lojas móveis obtêm lucros maiores que as lojas físicas tradicionais graças à combinação de aprendizado de demanda e mobilidade. O número que a INFORMS destacou ao apresentar a pesquisa, em 23 de julho de 2026, é concreto: as lojas móveis adaptativas aumentaram os lucros em 2,56% em comparação com as estratégias convencionais de localização, simplesmente ao se reposicionarem em resposta a padrões de demanda em mudança.

"Uma loja móvel só tem vantagem se souber para onde a demanda está indo", afirmou Junyu Cao, autor principal do estudo. "A mobilidade cria a oportunidade, mas o aprendizado cria o valor. Os varejistas que se adaptam continuamente terão a maior vantagem competitiva." É a frase que reorganiza a leitura do resultado: os 2,56% não medem o benefício de ter rodas, medem o benefício de saber usá-las.

O Que o Modelo Não Resolve

Os próprios autores apontam que o varejo móvel enfrenta dificuldades práticas que não desaparecem com um bom algoritmo. A demanda é inicialmente desconhecida e evolui sem pausa, e o estoque limitado a bordo obriga a equilibrar o atendimento aos clientes com viagens custosas de reabastecimento. O trabalho demonstra como contemplar os dois desafios simultaneamente, não como eliminá-los. E o número vem de um estudo de caso apoiado em dados de uma cidade: é demonstração de viabilidade, não média do setor.

As implicações gerenciais apontam para uma direção clara. Quem avaliar a adoção de lojas móveis deveria adotar estratégias de localização adaptativas e baseadas em dados, em vez de planos de operação estáticos. "O futuro do varejo não são simplesmente lojas autônomas: são lojas autônomas que sabem onde deveriam estar", disse Wei Qi, coautor do estudo. "Os varejistas não precisam escolher entre explorar novos mercados e maximizar os lucros de hoje. Com a analítica certa, podem fazer as duas coisas ao mesmo tempo."

Para bibliotecas universitárias e programas de engenharia, administração e logística, o artigo tem um valor que vai além do achado: é um caso limpo de como um problema clássico de localização de instalações se transforma quando se acrescenta aprendizado online, e de como se demonstra formalmente que a transformação compensa.

Para conhecer em detalhe o arcabouço de aprendizado CA-O, o algoritmo acelerado de primeira ordem, a análise de regret e o estudo de caso completo com dados de Toronto, leia o artigo original na Manufacturing & Service Operations Management.

Sobre a INFORMS

INFORMS é a principal associação internacional para profissionais de pesquisa operacional, análise, ciência da administração, economia, ciência comportamental, estatística, inteligência artificial, ciência de dados, matemática aplicada e outros campos relevantes. Ela avança e promove a ciência e a tecnologia da tomada de decisões para salvar vidas, economizar dinheiro e resolver problemas.

Se você deseja conhecer melhor o portfólio da INFORMS para a sua instituição, entre em contato pelo info@dotlib.com ou preencha nosso formulário. Aproveite e acompanhe nosso blog, siga nossas redes sociais e se inscreva na Dotlib TV, nosso canal oficial no YouTube.