Skip to content
PodSubs
ShowsPeopleGuestsJobsNewsEvents
More
BlogPodCred
Menu
ShowsPeopleGuestsJobsNewsEventsBlogPodCredNetworksSign in
Join nowSign in
  • Shows
  • People
  • Jobs
  • News
  • More
    • Guests
    • Events
    • Blog
    • PodCred
    • Networks
    Join nowSign in

Product Guru's

Product Guru's artwork

Como a plataforma do iFood acelerou novas verticais e IA | Débora Ferreira

Oct 8, 202642 minAudio
ShareXLinkedInFacebookWhatsAppEmail

O iFood não começou pela IA. Antes dos agentes e das LLMs, a empresa precisou construir catálogo, dados e capacidades compartilhadas capazes de sustentar novas formas de busca, navegação e operação. Sem essa fundação, a IA simplesmente não encontraria o que precisa para funcionar. Neste episódio do Product Guru’s, Débora Ferreira explica como a plataforma do iFood deixou de ser apenas infraestrutura técnica e passou a acelerar novas verticais, experimentos e resultados de negócio. A conversa passa por: • O que caracteriza uma plataforma dentro do iFood• Como capacidades compartilhadas aceleram novas verticais• A relação entre catálogo, confiança do cliente e receita• Como medir saúde, adoção e valor de uma plataforma• O papel dos dados na criação de experiências com IA• Por que agentes especializados podem superar agentes generalistas• Como precisão, recall, cobertura e custo entram nas decisões• A importância de metas compartilhadas entre plataforma e negócio Uma conversa para profissionais de produto, engenharia, dados, design e liderança que querem entender o trabalho que precisa acontecer antes de a IA gerar valor real. LinkedIn da Debora: ⁠https://www.linkedin.com/in/ferreiradebora/⁠ 🎧 Ouça o episódio no Spotify e no YouTube. Capítulos 00:00 A base que fez a IA avançar 00:35 Abertura 01:12 O que existe por trás do aplicativo 03:52 Como plataforma acelera novas verticais 05:57 O que é plataforma no iFood 08:04 Quando plataforma vira estratégia de negócio 11:55 Quem é o usuário de uma plataforma 14:25 Como fazer discovery e testes em plataforma 17:52 O mito da plataforma como mal necessário 19:44 Como catálogo gera confiança e vendas 22:55 As métricas de uma plataforma 26:16 O que o iFood não conseguiria fazer sem essa base 27:27 Por que IA depende de plataforma 29:33 Como os agentes organizam o catálogo 34:01 Por que agentes específicos funcionam melhor 36:14 Precisão, recall, cobertura e custo 38:46 Metas compartilhadas e vantagem competitiva 40:24 Encerramento Inscreva-se no Product Guru’s e acompanhe os próximos episódios sobre produto, tecnologia, inteligência artificial e negócios. Get full access to Product Guru's at www.productgurus.com.br/subscribe

Audio and video play straight from the show's own hosting. PodSubs stores and serves no media.

Transcript

From the show. Tap a time to play from there.

SPEAKER_01A gente com certeza não estava pronto há dois anos atrás em catálogo para atender toda essa necessidade atual de IA, de LLMs, essa interação, essa busca, essa nova forma de navegação. A gente não estava. Se o iFood tivesse esse comportamento de deixa o catálogo lá, está tudo bem, está funcionando, está rodando, está tudo certo, a gente não teria avançado tão rápido e hoje o catálogo não suportaria com certeza todas essas frentes e experimentos que a gente tem com IA. [music]

SPEAKER_00Oi, tudo bem com você? Meu nome é Paulo Chiodi, sejam bem-vindos ao Próximo Luz, o podcast que é mais para trazer outros produtos, mas que também aborda tecnologia e negócio de peito aberto. O terceiro episódio da série editorial em parceria com a iFood sobre plataforma é esse. Vamos falar sobre um tema que eu tenho bastante curiosidade de saber, eu sei um pouquinho sobre a plataforma do Refuge, mas eu quero saber muito mais hoje nesse episódio. É por isso que a gente chamou uma das donas da plataforma, que é a Débora Ferrini.

SPEAKER_00O mercado, ele olha muito, quando eu falo mercado, as pessoas que usam e tal, não sei o que. Olham o iFood e veem, eu vou usar o termo simples, eu sei que não é simples, um simples aplicativo de delivery. Mas o que as pessoas não enxergam sobre como o produto realmente funciona ali debaixo ou dentro da cozinha do iFood?

SPEAKER_01Ótimo, adoro o termo dentro da cozinha. Eu acho que o primeiro ponto que... A gente expandiu foi essa visão de delivery de comida. Então, obviamente, o iFood nasceu com delivery de comida e já se expandiu para outras verticais. Então, virou o maior app para entrega de mercado do Brasil. A gente também está na frente de farmácia, na frente de bebida, na frente de pet. E a gente também está entrando em shopping.

SPEAKER_01A gente tem shopping já, grandes marcas operando no iFood. Então, acho que o primeiro ponto que às vezes as pessoas não veem é que tem tudo no iFood. Então, esse é o primeiro ponto. E para a gente conseguir entregar tudo, a gente precisa de plataformas que são compartilhadas ali entre todas essas verticais. A gente precisa, por exemplo, de estruturas que a gente compartilhe. Então, hoje a gente tem, além dessas verticais que eu comentei,

SPEAKER_01a gente tem solução para salão, a gente tem iFood Pago, que são soluções que são compartilhadas em vários canais. Então, o iFood Pago é compartilhado no canal online e offline. A gente tem toda a parte de logística, a gente tem uma parte de operação muito grande, que é para fazer, de fato, pedido, sair do aplicativo, chegar no restaurante, passar pela pessoa entregadora, chegar até a sua casa, pelo restaurante ou, enfim, em algum outro estabelecimento. Então, essa estrutura por trás é muito grande, ela depende de que muita coisa funcione ao mesmo tempo e funcione bem.

SPEAKER_01Então, vai desde acompanhar a previsão do tempo, a ver tempo de preparo, a entender como está o mercado de precificação, a entender e conhecer bem o usuário para conseguir recomendar o que ele quer na hora que ele quer do mechão específico que ele está procurando. Porque quando eu busco por carne, eu posso estar buscando por uma carne do mercado no açougue ou mechirra de carne. Então, acho que tem um mundo aí por trás que é bom que seja transparente para o usuário.

SPEAKER_01Ele só entra ali no aplicativo e saiba que ele vai conseguir tudo o que ele quiser por

SPEAKER_00ali. Você mencionou que o iFood tem várias frentes, né? E ela começou com o delivery e começou a se expandir, certo? O que faz a plataforma do iFood ser tão diferente que gera essa velocidade de mudança e até mesmo de criação de novas frentes?

SPEAKER_01É isso. Essa é uma grande premissa que a gente tem aqui com plataforma. Eu acho que uma diferença é que a gente de fato pensa em plataformizar essas soluções. Não de uma forma forçada quando eu não tenho mais saída, mas sim de uma maneira premeditada, eu entendendo quais são esses componentes que eu vou reutilizar, ou que eu quero garantir escala, ou que eu quero garantir uma maior segurança. Muitas vezes eu quero garantir isso tudo ao mesmo tempo.

SPEAKER_01Então, a nossa plataforma tem como premissa garantir com que o que for testado ali em cima consiga ter uma maior velocidade, uma entrada no mercado mais rápida. E aí a gente usa bastante a lógica de lendo, assim. São pecinhas mesmo. Então a gente tem a plataforma aqui embaixo que permite que eu coloque pecinhas ali em cima. E podem ser pecinhas muito pequenas, testes. Normalmente no iFood a gente chama do Jet Skits. Não sei se alguém já comentou.

SPEAKER_01Porque a gente tem muito essa cultura da experimentação. Eu sei que isso foi bastante abordado aqui recentemente, inclusive. Sobre a cultura de produto e como que a gente tenta sempre experimentar. E a plataforma serve como a nossa base garantida para que a gente consiga testar, avançar, aprender, mas sem abrir mão da nossa segurança, da nossa escalabilidade, da nossa previsibilidade também. Então, eu acho que é uma combinação de fatores. Tem a plataforma que possibilita isso acontecer e a gente tem uma cultura

SPEAKER_01que pressiona para a gente ter resultado rápido e aprendizado rápido também.

SPEAKER_00No eFood, qual é a definição de plataforma e o que vocês, quando alguém fala, vocês falam, isso não é plataforma, desculpa.

SPEAKER_01Plataforma, a gente sempre tenta olhar com a perspectiva de que é algo que eu vou reutilizar e que consegue alavancar soluções que venham no futuro. Então, por exemplo, a plataforma que eu trabalho hoje é a plataforma de catálogo. Ali em catálogo tem uma estrutura que em qualquer vertical vai se repetir, que é onde eu cadastro o que vai ser vendido, o que vai ser ofertado. E eu tenho uma estrutura ali, por exemplo, eu tenho atributos sobre aquele item que está sendo vendido,

SPEAKER_01esse item se relaciona com outros, ele tem uma classificação. Então, tudo isso, independente da vertical, estou falando de medicamento, de comida ou de uma joia, eu estou falando dessa mesma estrutura. Então, tudo que eu vou reproduzir em diferentes lugares, de diferentes formas, eu posso assumir que é uma plataforma. Então, Cacau é uma plataforma, próprio iFood, Paulo, as resoluções de pagamento que a gente aplica em diferentes produtos é uma plataforma, carrinho,

SPEAKER_01checkout, essa experiência de finalização ali é a mesma para mercado, para bebidas, para comida. Então, tudo isso que a gente reaproveita, a gente tende como plataforma. E o que não é plataforma são features mais locais, mais específicas. Um exemplo é o iFood Hits, que é uma solução para comida rápida, barata, que ela consegue atender muito o público de food delivery. A gente tem soluções de agentes por WhatsApp,

SPEAKER_01que você consegue medir as calorias do seu prato, Também é muito específico para comida, já para farmácia a gente tem solução de receita, validação dessa receita. Então esses pontos que são muito específicos para um determinado contexto, não são plataforma e normalmente que a gente reutiliza, a gente pensa em como plataformizar.

SPEAKER_00Por que que plataforma, eu lembro de fora, né? Por que que plataforma deixou de ser um assunto técnico? Só de engenharia, só de time TI. E virou uma conversa mais estratégica de produto no iFood. Esse seria o segredo do iFood?

SPEAKER_01Eu acho que pode ser um, dois. Na verdade, eu acho que no iFood essa conversa já aconteceu há bastante tempo. Essa mudança de perspectiva já aconteceu há bastante tempo. Porque quando eu entrei e meu desafio já era plataformizar algumas soluções, o produto já estava muito envolvido, o negócio já estava muito envolvido no que eu vou plataformizar e como eu penso nessa solução. E eu acho que o entendimento de que a plataforma alavanca

SPEAKER_01os negócios facilita muito essa conversa de acontecer. Então, por exemplo, no caso de catálogo, lá atrás que eu estava usando como exemplo, Se eu tenho uma mesma estrutura que vai ser replicada em uma nova vertical, eu tenho o início dessa nova vertical acelerado. E isso é algo que impacta diretamente negócios. Então, se eu já penso em eu investir em uma plataforma que pode ser que no começo ela seja um pouco mais custosa, leve mais tempo para ser feita,

SPEAKER_01que ela vai antecipar um pouco os cenários, mas depois eu consigo replicar de uma forma muito rápida, Isso impacta negócios e negócios se envolvem para a gente entender quais são os tempos e movimentos ali necessários. Então, eu acho que esse envolvimento já acontece há bastante tempo. Isso é o que a gente vê no mercado também de grandes empresas de tecnologia trazendo essa plataformização para a mesa e usando plataforma como alavanca e menos como infra, algo que eu tenho que usar e não tenho muita saída e mais como vantagem mesmo.

SPEAKER_00Olhando para o iFood, me parece que a velocidade de crescimento do iFood está muito atribuída ao entendimento do time de negócio de que a plataforma é a alavanca desse crescimento rápido. É isso?

SPEAKER_01Sim, eu acho que sim. Eu acho que esse entendimento a gente conseguiu... Fazer com que escapasse da área técnica e chegasse em todas as camadas. Eu também acho que em engenharia e produto, a gente fala muito de negócios também no iFood. Então, é até um ponto também que facilita esse entendimento chegar é eu trazer para meu planejamento de plataforma, minha concepção de produto, já qual é o impacto em negócio que eu quero causar.

SPEAKER_01Então, mais uma vez, não é uma plataforma só que é a solução que tem, que eu vou ofertar aqui dentro, mas sim ela tem um objetivo de negócio muito claro e ela vai se conectar com essas apostas que vão estar construídas em cima dela. Então, acho que é uma via de um duplo. O time comercial consegue entender um pouco melhor a vantagem, não necessariamente como vai funcionar, mas muitas vezes é dando esse voto de confiança também que A gente vai conseguir virar essa página e do nosso lado a gente já sempre pensando

SPEAKER_01em qual o valor que a gente está construindo no final e o que a gente está destravando. Então a gente sempre pensa que fomos a fundação e a gente vai ter essas alavancas ali em cima e a gente está sempre falando esses termos. O que eu destravo? O que eu destravo? Para a gente tentar conectar com o valor também.

SPEAKER_00Eu não sei se você respondeu exatamente. Quem é o usuário da plataforma no fim do dia? É o cliente do aplicativo que pede ou é os times internos que estão usando? No caso do iFood, é o restaurante, é o entregador? Quem são os usuários da plataforma?

SPEAKER_01São todos eles, mas em plataforma a gente gosta bastante de mapear esses usuários internos. Isso é muito importante. Muitas vezes, porque a única interface que a gente tem vão ser as APIs, que não é uma tela. Então, o time, por exemplo, tem que estar olhando para a experiência do desenvolvedor, muitas vezes, que é quem vai consumir aquilo. Pode ser times internos ou externos também para Cacalo ou MyFood, é uma realidade, né?

SPEAKER_01Parceiros, integradores, às vezes o próprio estabelecimento que lidam com as APIs do catálogo para enviar os produtos para a gente. Então a gente pensa nesse usuário. Qual a documentação que ele precisa, se ele está com o entendimento correto das nossas entidades aqui, se o fluxo está otimizado, se ele vai conseguir ter suporte e o que a gente está trazendo de valor também a cada iteração que a gente tem ali nos produtos. Então... Esse mapeamento de times internos ou externos,

SPEAKER_01mas muito técnicos ali, que muitas vezes vão beber dessa plataforma sem precisar de uma interface, uma tela, a gente precisa mapear aqui e entender o comportamento deles também. Esse é o fator talvez mais distante de um produto que está na mão do usuário, que ele interage mais visualmente, porque... Muitas vezes as pessoas de produto mesmo não têm tanta experiência com isso

SPEAKER_01e aí podem ficar, meu Deus, e agora eu não tenho mais usuário, mas tenho usuário. E a gente tenta olhar para os dois também. A gente sempre tenta conectar com qual que é o impacto lá na ponta. No final, esse trajeto tudo. Então, se eu estou empilhando soluções em cima dessa plataforma, é um desafio eu conseguir cruzar com todas elas e entender o que a mudança na plataforma acaba desencadeando Então é um mapeamento um pouquinho maior, mas a gente tenta conectar tudo.

SPEAKER_00A sua resposta agora me gerou uma dúvida. Como que é feito o discovery em produtos de plataforma? Porque em plataforma não tem como você rodar um teste a B, ou tem.

SPEAKER_01Não, nem sempre de forma isolada. Muitas vezes, para a gente ter teste A, B, a gente precisa de uma solução em conjunto, que é quem, por exemplo, vai exibir aquela informação na tela. Então, esse discovery acontece em conjunto. É, bom. A plataforma não consegue ser isolada, então a gente sempre trabalha de uma forma muito cruzada, assim, muito cross com os demais times. Então, normalmente, essas apostas são apostas um pouco maiores,

SPEAKER_01porque a gente pensa no médio prazo, para a gente conseguir conectar todos os tempos e movimentos. A gente está em frente que o desenvolvimento, por exemplo, da feature e da plataforma acontece em um paralelo, isso existe. Mas normalmente a plataforma está sempre um ciclo adiantado. E um ciclo adiantado é que no iFood a gente pensa em seis meses, tá? Então esse é um ponto, assim, tem um pouco de maior necessidade de eu cruzar todas essas informações.

SPEAKER_01E sobre o teste, às vezes a gente consegue fazer o teste AB, mas nem sempre. Às vezes a gente consegue fazer o teste AB por versões, assim, versionamento. Então, por exemplo, se eu consigo direcionar a audiência, vou dar um exemplo da busca para uma versão de uma classificação do produto, que eu estou ali classificando se ele é pizza, se ele é hambúrguer, se ele é um sanduíche natural. E aí eu tenho duas versões dessa classificação, duas versões de um modelo,

SPEAKER_01por exemplo, já que a gente usa muito IA para classificação. Às vezes eu consigo, na busca, direcionar um público para outra versão, outro público para outra versão e conseguir testar isso. Então, dá para fazer, mas normalmente a gente precisa desse produto na ponta também para atuar junto e a gente fazer essa conexão acontecer. Mas dá, assim, a gente sempre tenta entender qual é o impacto e muitas vezes é por correlação. Quando a gente não consegue um impacto direto, esse é o caso também, né?

SPEAKER_01Então aqui, no exemplo que eu dei, eu tenho o modelo A, que tem 99% de precisão, e o modelo B, que tem 97%. E aí, uma das formas de eu conseguir entender como isso impacta é correlacionando essa minha precisão com o impacto em conversão, ou em resultados vazios na busca, ou em taxa de clique. Então eu tento trazer uma métrica que é muito próxima de plataforma, que é precisão, por exemplo, Ou o tempo de atualização, ou, por exemplo, a taxa de disponibilidade.

SPEAKER_01Então, eu busco alguma métrica muito próxima de plataforma e correlaciono com alguma métrica da conta. Eu sei que eu não tenho um impacto direto necessariamente na conversão em tudo que eu vou fazer em plataforma, mas muitas vezes eu posso impactar parcialmente. Então, através dessa correlação também é uma forma da gente tentar entender qual o valor final ali que está sendo gerado.

SPEAKER_00Tem algum mito sobre plataforma que você e o seu time, nesse tempo que você está aí, vocês tiveram que, de alguma maneira, entre aspas, matar internamente para conseguir mostrar o valor real da plataforma, meu Deus?

SPEAKER_01Sim, e eu acho que tem muito a ver com esse pensamento de que a plataforma é um mal necessário. Então, acho que o mito é como que a gente conecta com o valor gerado na ponta. E não só com a minha métrica, que pode ser até uma métrica quase de maidade aí, né? Ah, quantos produtos eu processo? Nossa, qual o meu tempo todo para eu processar tudo, para eu disponibilizar um produto novo na conta, tudo isso. Que isso é muito legal, mas assim, de fato, o que isso está gerando?

SPEAKER_01Se eu diminuir pela metade o meu tempo de processamento aqui, o que isso impacta? Se eu aumento em dois pontos percentuais a minha taxa de acerto na classificação, o que isso traz de bom para o usuário? Então essa é uma pergunta que ronda muito os times de plataforma. É difícil fazer esse tipo de análise, porque não é um impacto direto. Muitas vezes a gente precisa trabalhar com esse time que está na ponta, que também não enxerga bem qual é o impacto que a gente pode estar gerando ali. Então esse é um mito que às vezes até o próprio time de plataforma tem.

SPEAKER_01E aí a gente vai contornando.

SPEAKER_00Me explica, como se você explicasse para uma criança de 5 anos, Como que você, de plataforma, consegue correlacionar a sua ação à métrica de negócio? Como que você faz essa ligação do tipo, poxa, a gente vai aumentar em 10% os pedidos?

SPEAKER_01Certo. Vou usar um exemplo mais próximo aqui, mais recente, que foi essa frente de farmácia. Então, a gente precisava expandir farmácia, mais rude, que... Aumentasse público também, aumentasse ali as vendas e a gente entendeu que farmácia se relaciona muito com a confiança que o usuário tem, porque ele pode estar num momento delicado de dor, de doença, de algo do tipo. Então ele precisa confiar,

SPEAKER_01entender bem do que ele está comprando para ter esse relacionamento um pouco mais próximo. Ou seja, eu precisava aumentar as vendas de farmácia no fim do dia. Para isso, a gente apostou nessa hipótese de aumento de confiança. Como eu consigo aumentar confiança? A gente entendeu que era através de um catálogo mais profundo, de um enriquecimento dos produtos. Normalmente, produto, a gente tem ali nome, descrição, preço. Às vezes, nem descrição, a gente tem nome e preço.

SPEAKER_01E a gente entendeu que para farmácia, a gente precisava expandir isso. Então, a gente atuou aqui com a nossa plataforma de qualificação, que é uma plataforma que, de fato, ela enriquece esse cadastro, ela traz mais informações. Então, para medicamento, por exemplo, a gente fez todo um pipeline de dados que cura as informações, busca informações, por exemplo, na Anvisa, na Bula do Medicamento, e traz esse cadastro estendido. Então eu sei qual é a parte do corpo,

SPEAKER_01porque aquele medicamento vai agir principalmente, qual é a classificação dele, se ele é um anti-inflamatório, qual que é o princípio ativo ou os princípios ativos daquele medicamento. Enfim, eu vou cadastrando diversas informações sobre esse medicamento e eu disponibilizo isso tanto através desse meu pipeline, dessa minha plataforma de enriquecimento, quanto também A partir de uma estrutura que o parceiro consegue nos mandar todos esses passos validados.

SPEAKER_01Então aqui eu já estou falando de uma segunda plataforma também que é Catarro. Ou seja, eu aumentei a quantidade de informações que eu tenho sobre aquele produto, eu preenchi essas informações sobre aquele produto e eu disponibilizei essas informações. Então na navegação o usuário passou a ter contato com informações relevantes sobre aquilo que ele estava buscando. E isso gerou um aumento de receita e um aumento de pedidos em farmácia. Esse é um case que está público,

SPEAKER_01a gente tem os números de quanto a gente aumentou e foi muito graças a essas informações específicas, esse exemplo de medicamento, mas a gente trouxe inclusive para cosméticos, a gente trouxe para outros

SPEAKER_00tipos de produto ali.

SPEAKER_01Então é algo que começa lá atrás, assim, lá na estrutura de catálogo, depois a gente passa para o enriquecimento, a gente disponibiliza as informações, apresenta de uma forma diferente e gera um impacto na ponta. E aí eu vou correlacionando várias métricas ao longo desse caminho.

SPEAKER_00Continuando sobre... Plataforma e conexão, quais são as métricas principais de uma plataforma que uma pessoa de produto precisa saber, não só saber, mas entender elas ou débito?

SPEAKER_01Olha, métrica de plataforma é algo mais difícil muitas vezes porque a gente não tem essa clareza do impacto final. Então, quando eu vejo busca, eu vejo ali a conversão da busca, é evidente. Eu vou no carrinho, eu vejo a conversão do carrinho, é bem claro. E muitas vezes para a plataforma isso fica diluído. O que eu gosto de pensar aqui com o time é a gente organizar critérios e entender os agrupamentos dessas métricas. O primeiro grupo aqui que a gente usa é um que olha para a performance e saúde da plataforma.

SPEAKER_01Então eu vejo custo, eu vejo tempo de processamento, eu vejo quantidade de eventos, eu vejo quão metrificado eu consigo, monitoramento se está funcional ou não, se eu consigo ver os eventos, se eu consigo ser notificada de algum incidente. Então são métricas que veem a saúde da plataforma em si. Ele não diz para que aquela plataforma está sendo usada. Ela só diz se ela está funcional, está respirando ali.

SPEAKER_01Um outro grupo é do uso. Porque um desafio de plataforma pode ser a adoção por esses times mesmo da empresa. Então, por exemplo, se eu estou enriquecendo o cadastro da farmácia, quem pode usar esse enriquecimento? Busca, pode usar. Para realmente encontrar, pode ser usado na página de produto específica de farmácia, pode ser usado para recomendação, pode ser usado para vendas por agentes de IA que vão ler aquela informação.

SPEAKER_01E muitas vezes isso é um desafio mesmo, porque se a gente não está bem conectado com o valor que está gerando, cada time vai lá dar um jeito e não adota a solução que a gente está criando. Então eu tenho um conjunto de métricas de adoção, de uso, de usuários, de quantidade de visualizações, requests, enfim, métricas que me dizem se de fato eu estou conseguindo ter uma adoção daquela plataforma. E o último grupo é o grupo de valor mesmo, é o valor gerado na conta.

SPEAKER_01E normalmente a gente recorre a essa correlação entre métricas, que a gente olha para as métricas de negócio no final. Então, desde tics, aí o estado de busca, mais a conversão, a GMV, o quanto que está faturando, o quanto que aquela vertical está crescendo ou não. Então a gente vê de fato no fim do dia o que aquilo está gerando para o usuário e podem ser outras métricas. Aqui eu estou trazendo muita métrica desse caso de farmácia, mas por exemplo, por algumas pedido, a gente vê taxa de cancelamento,

SPEAKER_01taxa de reembolso, taxa de atraso, reclamação sobre o pedido, pedido errado, trocado. Então são esses pontos que no final é o que impacta o usuário e aí gente traz para trás para tentar entender quando a plataforma impactou, gerou alguma mudança nesse sentido.

SPEAKER_00Qual decisão estratégica, Débora, recente do iFood que só foi possível porque existia plataforma por baixo e teria travado sem essa cultura de plataformização?

SPEAKER_01Olha, todas essas verticais teriam sido muito mais difíceis, muito mais complexas, sem a gente ter toda essa estrutura que mantém, que disponibiliza isso. Então, quando a gente está falando de avanço em shopping, por exemplo... Que é eu entrar em uma categoria diferente, eu vou utilizar o que a gente já garantiu que deu certo em mercado. A gente já garantiu que deu certo para a farmácia, para a bebida.

SPEAKER_01Então, eu acho que todas essas soluções reutilizam muito do que a gente já tem do estrutural macro, que é eu conseguir conectar usuários com os estabelecimentos e as pessoas entregadoras e fazer essa roda girar. Essa roda está muito bem resolvida. Então qualquer coisa que eu coloco em cima já vai ser uma vantagem muito grande, sabe? Já vai ser bem alavancada. Esses são os pontos principais que eu vejo,

SPEAKER_01mas eu vou trazer um caso a mais aqui, que é, por exemplo, as nossas soluções mais recentes de IA. Quando a gente pensa em IA, a gente pensa muito qual LLM vai usar, qual tecnologia ali para, por exemplo, eu conseguir... Traduzir bem o que o usuário quer, mas as nossas soluções de IA tem dado tão certo porque a gente tem plataforma que é o perfil do usuário que é muito profundo já. A gente já vem alimentando há bastante tempo do comportamento,

SPEAKER_01das preferências, dos gostos desse usuário. E também o conhecimento sobre o nosso portfólio. Então, quais são os estabelecimentos que estão ali dentro? Quais são os produtos? Todo esse enriquecimento dos atributos que a gente tem ali servem para que quando a IA entra, ela já tenha uma base no que pesquisar. Se eu tivesse que... Não, na LLM que ela é muito boa para buscar, mas eu não tenho no que buscar... Eu teria que começar de trás para frente. Eu começaria com a IA e no fim ele não ia achar nada.

SPEAKER_01Hoje não. A gente consegue avançar também muito rápido com essas soluções de IA porque essa plataforma já serve e ela é pensada já hoje e já há algum tempo para como que essas LLMs vão ler esse conteúdo que a gente tem. É uma leitura, é uma interação muito diferente do que a gente tem com o usuário. Então o usuário tem questões. Ele tem a forma que ele lê, como ele entende, analisa imagem, navega. Um agente é completamente diferente. É uma busca com muito mais termos,

SPEAKER_01o triplo ou mais de termos usados numa busca por um agente do que uma busca ali no app. A forma que o agente navega, quais informações que ele leva em consideração, o peso de cada atributo para a tomada de decisão dele recomendar. Então eu acho que Esse, por exemplo, é um caso que se alavancou bastante das plataformas que a gente já tinha.

SPEAKER_00Qual é o papel de cada um desses agentes e por que o iFood tratou com consistência de catálogo com o problema de produto e não só de operação ou de modelo? Débora, né?

SPEAKER_01Essa solução a gente já tem há algum tempo aqui nessa plataforma de qualificação. Agora a gente já até avançou, tem muitos outros modelos e agentes e eu espero que em breve a gente também lance um paper aí explicando com mais detalhes. E tudo começou nesses agentes com nomes de temperos por causa do SALC, que era um sistema que ele fazia o labeling automatizado. Labeling é uma forma que eu rotulo, eu dou a resposta certa para uma amostra e aí o modelo usa essa amostra para validar

SPEAKER_01a resposta dele, para saber se foi certo ou errado e também para retreinar, para ele aprender. E esse é um problema muito grande com modelos de IA, principalmente para classificação, onde eu preciso de amostras rotuladas e essas amostras rotuladas vão sempre se atualizando, sempre preciso de mais. E é um trabalho que se fosse manual seria muito custoso, já foi também aquilo assim. E aí a gente criou esse primeiro agente que ele fazia essa rotulação manual.

SPEAKER_01Depois a gente avançou toda essa estrutura e aí a gente tem esses três agentes que a função principal do primeiro é classificar. Então eu pego um produto e ele é muito usado para food delivery. Então eu pego um produto e eu falo se ele é um hambúrguer ou se ele é um sanduíche natural. Depois eu tenho o revisor, que ele é um modelo que ele atua como juiz. Então ele olha para a decisão do colega dele, que foi o Sugar, e fala assim, deixa eu ver se ele acertou ou se ele errou.

SPEAKER_01Se ele discorda do Sugar, ele tenta reclassificar. E aí essa reclassificação tem sempre uma pontuação de confiança. Dependendo dessa pontuação de confiança, a gente vai para o terceiro, que é o Pepper, que ele nos ajuda com essa conexão e correção. Então, a gente tem uma cadeia que sempre vai de um modelo, acertar ou não, a gente revisar e a gente retroalimentar essa cadeia.

SPEAKER_01Hoje, a gente tem mais agentes, porque a gente quebrou, por exemplo, esse problema de classificação em partes menores. Então, a gente tem... Uma pesquisa nesses dados, então a gente traz o enriquecimento desses dados, depois a gente normaliza os dados sobre um determinado produto, depois dessa normalização a gente faz uma classificação, depois a gente faz um matching de SKU, que é um caso onde eu faço uma curadoria em cima do meu portfólio de produtos

SPEAKER_01para não ter produtos idênticos de um mesmo merchan. Um exemplo disso é um refrigerante que tem Duas embalagens, a embalagem da Copa do Mundo e a embalagem normal. Então, a latinha da Copa do Mundo e a latinha normal de um refrigerante. Se eu cadastrar duas vezes, o usuário vai entrar ali e não vai saber o mesmo refrigerante. Então, eu tenho que ir fazendo essa limpeza. Então, eu tenho vários agentes com pontos ali muito específicos. Eles fazem ações mais específicas.

SPEAKER_01A gente foi aprendendo ao longo do tempo que um agente muito específico, ele performa melhor do que um agente mais generalista. Então, até essa solução dos três agentes ainda estava um pouco generalista, agora a gente vai um pontinho mais para baixo e dentro, por exemplo, dessa classificação da taxonomia, que é o que o Sugar faz, eu tenho um cara que cria a taxonomia, um cara que classifica, um cara que julga, um cara que corrige. Então, eu vou ter agentes mais específicos, mas a gente entende isso como um problema de produto,

SPEAKER_01porque o valor que traz também é muito claro para todas essas soluções de encontrabilidade do produto. Então, busca, navegação, para também a recomendação e a conexão, para conversão, porque esse usuário vai entender melhor o que é aquele produto a partir dessas informações. Então, a gente trouxe para a gente mesmo o desafio de ter um portfólio muito curado e muito enriquecido, E aí a gente usa muito IA nesse processo de curadoria e enriquecimento.

SPEAKER_00Esse é o ponto em telesectos. Então, o maior priorizado de vocês em relação aos agentes de A é que agentes generalistas têm um desempenho pior do que agentes específicos para cada ação que um humano faria, né? Então, cadastrar, depois corrigir, depois, enfim, outras coisas. Então, vocês criam um agente para cada ação ali. É isso, né?

SPEAKER_01Isso, principalmente para essas tarefas aqui em qualificação, a gente foi aprendendo que agentes específicos performam melhor. Muitas vezes não é um agente exatamente, é um modelo que a gente utiliza ali dentro do pipeline um pouco maior, mas a gente está separando cada tarefa de uma forma bem explícita e isso funciona muito melhor. Quando a gente, por exemplo, estava tratando essas informações da bula, do medicamento,

SPEAKER_01o mesmo agente precisava extrair a informação da bula, normalizar essa informação. Normalizar é eu usar o mesmo termo para todos os produtos, sabe? Para eu não ficar usando termos diferentes, isso dificultar o entendimento. Então ele fazia isso, ele buscava a informação, ele extraía a informação, ele normalizava a informação e salvava. Muitas vezes quando ele tem problema com uma dessas tarefas, todas as outras ficam comprometidas.

SPEAKER_01Ou ele trava o fluxo no meio porque ele não conseguiu finalizar uma delas ao invés de ir para o próximo e tentar o próximo. Então a gente mudou bastante esse fluxo e agora cada agente é responsável por uma coisa. Então tem um agente só que ele vai buscar só a bula, só para saber qual é a bula daquele medicamento. Um outro agente que ele vai só saber quais são os atributos que eu vou extrair daquela bula. Um outro agente que ele só vai extrair. Um outro agente que ele só vai normalizar. Eu tenho um agente só para transformar o texto em um formato que

SPEAKER_01a gente consegue consumir aqui dentro. Então agora a gente está com uma cadeia maior e essa cadeia é bem específica, ela está performando bem mais.

SPEAKER_00E quais seriam as outras métricas para você definir que tal modelo barra agente, ele está legal aqui ou a gente precisa revisitar e será que não precisa dividir ele porque o contexto dele está muito grande, não consegue... Como que funciona?

SPEAKER_01A curácia é que para esse modelo de classificação a gente divide em duas métricas principais, que é a precisão e o recall. A precisão é saber se o que ele está falando, por exemplo, que é hambúrguer, realmente é hambúrguer. E o recall é para ver se o que ele falou que não é hambúrguer realmente não é hambúrguer. Então a gente cruza essas duas métricas para saber se ele está acertando ou não. Isso a gente olha sempre a cada modelo, porque a gente versiona muito o modelo para a gente, a gente muda muito o prompt,

SPEAKER_01e às vezes uma mudancinha no prompt impacta uma mudança muito grande. Então a gente está sempre fazendo validações e testes dessas versões de modelos e dos agentes. Mas além disso, a gente também olha para a nossa capacidade e volume, A gente olha para o tempo desse processamento, porque como é um pipeline extenso, eu preciso entender de ponta a ponta o quanto que ele vai sair do outro lado. Eu vejo para alguns casos que é de extração e não de classificação,

SPEAKER_01qual é a taxa de cobertura, o que ele de fato consegue gerar. Então, se eu quero extrair o princípio ativo, quantos casos ele conseguiu extrair o princípio ativo? Não só quais ele acertou, mas também quais que ele conseguiu trazer a informação. E qual é o custo? O custo também é algo muito relevante, porque a gente sempre olha aqui. É claro que com esse avanço grande da DAEM, isso mudou completamente o quadro a cada seis meses. A gente muda bastante tudo por aqui, o que a gente entende de custo das soluções.

SPEAKER_01Mas a gente tenta olhar para isso tudo e aí a gente chega em conclusões. Por exemplo, quando a cobertura Se mantém, mas a qualidade cai, não é uma mudança que faz sentido. Quando o custo diminui, mas a cobertura não acompanha, não se mantém, muitas vezes a gente entende que não faz sentido aquela redução de custo. Então a gente vai olhando ali as métricas e normalmente a gente tem algumas prioridades de métrica dependente do momento daquele produto.

SPEAKER_00Se você fosse recomendar que o mercado brasileiro De produto, óbvio. Copiasse uma prática do iFood sobre como pensar em plataforma, qual deveria ser?

SPEAKER_01Não, ótimo. A característica que eu sempre pontuo no iFood como fantástica para mim é a capacidade de Usar metas de uma forma muito bem feita, costurada nos times, desde metas individuais, metas do times, metas compartilhadas, que eu acho que conversa muito com a questão que a gente falou lá no início sobre plataforma ter impacto no negócio. Então, não isolar plataforma como um mal necessário e como algo que eu só preciso manter,

SPEAKER_01não vou esquentar minha cabeça, sabe, assim, ele tá funcionando, tá tudo bem, e pensar em como que eu uso Essa plataforma para destravar as funcionalidades que eu quero e como uma vantagem competitiva mesmo. Então, trazer a plataforma para a conversa e desafiar a atender a esses cenários normas. Então, eu acho que é trazer para a mesa, criar meta compartilhada mesmo, pensar em como que de fato vai impactar o negócio e deixar também com que

SPEAKER_01a plataforma... Contorne os problemas e tente gerar esse impacto. Então, eu acho que esse seria o maior conselho.

SPEAKER_00E é com esse conselho e recomendação que encerramos o terceiro episódio da série em parceria com o iFood, que foi sobre plataforma. É claro que tem muito mais assuntos sobre plataforma, porque o iFood é o iFood. E com certeza teremos mais conteúdos e mais episódios sobre plataforma aqui nessa temporada ou na próxima eu já tentando cavar na segunda temporada para o pessoal do Infoots.

SPEAKER_00Então é isso. Débora, muito obrigado pela sua participação. Muito obrigado por você ter aberto a sua agenda que é concorrida. E parabéns pelo trabalho. Eu sou um heavy user e agora eu entendo muito mais sobre o porquê que eu sou viciado em Infoots.

SPEAKER_01Muito obrigada pelo espaço, agradeço aqui a gentinesa e a troca, foi muito importante aqui, muito legal participar. Eu gosto de levar a palavra de plataforma aqui e mais uma vez assim, obrigada pela oportunidade.

SPEAKER_00Mas você tenta, ué, tentar, é, né?

SPEAKER_00Então, muito obrigado, Débora. Muito obrigado, Aline, aqui do Whitefoot, que acompanhou esse episódio. O Raônico que está de férias, ele já vai ter voltado. E é isso. Beijos, tchau.

Open the transcript file

Hosts and Guests

Nobody is credited on this episode yet.

Credit the people on this episode

Be the first to rate this episode

More episodes

All episodes
  1. No iFood, ser rápido levou uns oito meses

    Nov 16, 20261 hr 9 minAudio

    A Bel Araújo contou no Product Guru’s a história de uma iniciativa do iFood que precisou trocar de tese. O desenho original dependia de integração com produtos físicos das lojas, distribuir custava caro e o time não...

    Credit the people on this episode

  2. Cobrado pra ser egoísta na carreira e punido por ser

    Nov 9, 202635 minAudio

    Black Friday PM3 com cupom PRODUCTGURUS você ganha +10% de desconto dos quase 55% de desconto da black friday. Acesse aqui. Você entrega demais, faz de tudo e mesmo assim não é promovido? A Mayara Paolini, GPM na...

    Credit the people on this episode

  3. O erro que fez um produto fracassar em 500 lojas | Yasmin Stivelman

    Nov 3, 202639 minAudio

    A Black das Blacks Friday da PM3 Cursos já começou. 3x a melhor oferta + tempo + Cursos + Desconto + acesso a maior comunidade de alunos da américa latina com uma plataforma de mentoria individual para você crescer na...

    Credit the people on this episode

  4. Por que o iFood está criando negócios fora do delivery? · Bruno Inojosa

    Oct 30, 202653 minAudio

    O iFood já domina o delivery. Então por que está investindo em conta digital, crédito e serviços financeiros para restaurantes? E o que faz um restaurante escolher o iFood Pago em vez de um banco tradicional?Neste...

    Credit the people on this episode

  5. O erro de tratar API como “só integração” · Shirley Balbino

    Oct 27, 202641 minAudio

    Tratar API como apenas uma integração é um erro estratégico. Descubra como elevar o nível do seu produto e da sua arquitetura.Neste episódio, Shirley Balbino explica por que o trabalho de um PM de API vai muito além da...

    Credit the people on this episode