Como o Grupo Casas Bahia aumentou conversão de busca em 58% com IA

O desafio era sustentar crescimento de marketplace sem degradar a experiência do consumidor. Com mais sellers e SKUs, a busca precisava continuar relevante, rápida e capaz de converter. Em e-commerce, resultados ruins geram abandono, menor CTR e perda direta de receita.

O varejo operava marcas como Casas Bahia, Ponto e Extra.com.br, além de marketplace com grande volume de vendedores. A solução anterior já não atendia à nova escala, com limitações em atualização de catálogo, qualidade de busca e capacidade de recomendação.

O Grupo Casas Bahia implantou Retail Search para melhorar a busca em Casas Bahia e Recommendations AI em Ponto e Extra.com.br. A nova solução passou a aprender com comportamento dos usuários, ajustar ordenação e oferecer recomendações mais relevantes.

Foram usados Google Retail API, Retail Search, Recommendations AI, Firebase e Google Analytics. A IA atua na ordenação de resultados e recomendações, enquanto o ecossistema analítico mede comportamento, qualidade da jornada e performance de conversão.

Quando o consumidor pesquisa ou navega por uma categoria, a IA aprende com tendências e eventos de usuário para ordenar os produtos com maior probabilidade de gerar receita e conversão. A recomendação também utiliza sinais de comportamento para sugerir itens mais aderentes.

O processo envolve ingestão de catálogo, atualização frequente de SKUs, captura de eventos de usuários, treinamento e ajuste de modelos de busca e recomendação. A arquitetura permite lidar com milhões de atualizações diárias e reduzir o tempo total de carregamento do catálogo.

• 58% de aumento na conversão de usuários vindos da busca.
• 28% de aumento no CTR.
• 4% de redução no bounce rate.
• Carregamento total do catálogo reduzido de 24 para 4 horas.
• Atualizações diárias de SKU cresceram de 100 mil para mais de 7 milhões.
• 28% de aumento na receita por usuário no app.

O case reforça que IA em varejo precisa atuar no coração da jornada: busca, recomendação e catálogo. A melhoria de conversão veio da combinação entre escala técnica, dados de comportamento e modelos voltados à relevância comercial.