Sistemas de recomendação no varejo farmacêutico : uma abordagem exploratória de algoritmos de associação e classificação

O varejo farmacêutico desempenha papel relevante na economia brasileira, movimentando 158,4 bilhões de reais em 2024 e apresentando crescimento médio de 10% nos últimos três anos. Apesar de economicamente positivo, esse avanço levanta preocupações relacionadas à automedicação, definida como o uso de medicamentos por iniciativa própria do consumidor com a expectativa de aliviar sintomas. Estimativas de 2022 indicam que cerca de 20 mil mortes anuais estão associadas a essa prática, sendo o Brasil líder em automedicação na América Latina e o quinto no ranking mundial. Diante da importância do tema, este trabalho apresenta um estudo sobre algoritmos de classificação e associação aplicados ao contexto de sistemas de recomendação voltados ao apoio às frentes de loja no varejo farmacêutico, a fim de auxiliar o profissional do setor na tomada de decisão. O objetivo da investigação é caracterizar tais algoritmos quanto à sua capacidade de fornecer informações contextuais relevantes para uma determinada venda, de modo a apoiar os profissionais que atuam diretamente no atendimento ao consumidor nessas organizações. O escopo do estudo foi estruturado em duas frentes. A primeira consistiu na busca por métodos capazes de relacionar itens de venda, com o intuito de identificar produtos de interesse a partir de uma cesta de compras específica. Para isso, foram conduzidos experimentos com algoritmos de regras de associação e técnicas de agrupamento. A segunda frente visou explorar o uso de algoritmos de classificação para identificar classes de interesse presentes no conjunto de dados, contribuindo assim para a caracterização do contexto de uma venda. Com base nos dois modelos criados, foi testada a utilização de ambos em conjunto, a fim de gerar recomendações mais seguras quanto ao risco da automedicação. Os experimentos foram realizados com uma base de dados extensa e representativa do setor farmacêutico. No caso dos algoritmos de associação, foram desenvolvidas abordagens baseadas em filtragem colaborativa, com o objetivo de associar itens a partir da análise de notas fiscais de venda. Para o estudo dos classificadores, o foco foi a identificação de vendas com e sem prescrição médica, aspecto considerado crucial para o monitoramento do comportamento dos consumidores frente à flexibilização da legislação brasileira sobre a comercialização de medicamentos. Para a identificação de vendas com prescrição médica, foram avaliados os classificadores MultiLayer Perceptron, Random Forest, CatBoost e LightGBM, sendo o Random Forest o classificador que apresentou o melhor desempenho na identificação de receituário médico. Já para a predição de itens com base na cesta de compras, o uso conjunto dos algoritmos K-Means, K-Prototype e FP-Growth obteve destaque ao avaliar o percentual de atendimento. Constatou-se que a combinação das abordagens de identificação e recomendação não inviabilizou a aplicação do sistema de recomendação, mesmo desconsiderando recomendações realizadas pelo modelo, visto que o experimento obteve resultados satisfatórios.

The pharmaceutical retail sector plays a significant role in the Brazilian economy, generating R$ 158.4 billion in 2024 and showing an average growth of 10% over the past three years. Although economically positive, this expansion raises concerns related to self-medication, defined as the use of medicines on the consumer’s own initiative with the expectation of relieving symptoms. Estimates from 2022 indicate that approximately 20 thousand deaths per year are associated with this practice, with Brazil ranking first in self-medication in Latin America and fifth worldwide. Given the importance of this topic, this study presents an investigation of classification and association algorithms applied to the context of recommendation systems aimed at supporting front-of-store operations in pharmaceutical retail, in order to assist professionals in the sector in decision-making. The objective is to assess these algorithms in terms of their ability to provide relevant contextual information for a given transaction, thereby assisting professionals directly involved in customer service. The scope of the study was structured into two main components. The first focused on identifying methods capable of relating items within a sale, aiming to detect products of interest based on a specific shopping basket. To this end, experiments were conducted using association rule algorithms and clustering techniques. The second component explored the use of classification algorithms to identify classes of interest within the dataset, thus contributing to the characterization of the sales context. Based on the two resulting models, their combined use was tested to produce safer recommendations regarding the risk of self-medication. The experiments were performed using a large and representative dataset from the pharmaceutical sector. For the association algorithms, collaborative filtering–based approaches were developed to associate items through the analysis of sales invoices. For the study of classifiers, the focus was the identification of sales with and without medical prescriptions, a crucial aspect for monitoring consumer behavior in light of the recent flexibilization of Brazilian regulations on medication commercialization. The classifiers MultiLayer Perceptron, Random Forest, CatBoost, and LightGBM were evaluated for prescription identification, with Random Forest with Random Forest being the classifier that achieved the best performance in identifying medical prescriptions. For the prediction of items based on the shopping basket, the combined use of the K-Means, K-Prototype, and FP-Growth algorithms stood out when evaluating the fulfillment rate. The findings indicate that integrating identification and recommendation approaches does not hinder the effectiveness of the recommendation system—even when disregarding certain model-generated recommendations—as the overall experiment yielded satisfactory results.