Eventos corporativos como o Shopee Trends, que celebraram o empreendedorismo feminino e reuniram dez mil participantes em São Paulo, cumprem um papel importante de visibilidade. Mas, como profissional de tecnologia, sei que o discurso de palco é apenas metade da história. A outra metade está nos servidores, nas filas de processamento e, sobretudo, na forma como os algoritmos de recomendação e ranqueamento foram treinados. O que acontece quando a camada de software que define a visibilidade de produtos em um marketplace carrega vieses que contradizem exatamente a diversidade que o evento promove?
Não se trata de julgar a intenção de uma empresa — a Shopee tem méritos inegáveis ao conectar mais de 90 milhões de usuários mensais a milhares de vendedores. Trata-se do problema estrutural que enfrentamos na engenharia de machine learning aplicada a e-commerce: modelos treinados com dados históricos tendem a amplificar desigualdades históricas. E quando falamos de empreendedorismo feminino, o dado histórico é frequentemente um retrato de um mercado que já foi menos equitativo. O algoritmo, sem curadoria consciente, pode estar invisibilizando justamente quem o evento celebra.
O problema técnico que ninguém quer nomear
Todo engenheiro que já colocou em produção um modelo de recomendação baseado em filtragem colaborativa conhece o fenômeno: itens com poucas interações no início recebem menos exposição, o que gera ainda menos interações, em um ciclo vicioso. Em marketplaces, esse efeito é agravado pelo fato de que categorias dominadas por grandes sellers — muitas vezes estruturados como empresas tradicionais, com mais investimento em logística e estoque — tendem a sugar a maior parte do tráfego orgânico.
O ponto sensível aqui é o recorte de gênero. Dados de marketplaces globais mostram que empreendedoras mulheres, especialmente as que operam como microempreendedoras individuais, têm menos capital para investir em frete grátis, anúncios patrocinados e fotografia profissional. Não por incompetência, mas por uma estrutura de crédito e acesso que historicamente as desfavorece. O algoritmo, treinado para maximizar conversão imediata, não sabe disso. Ele apenas enxerga que a loja X tem 500 avaliações e entrega em dois dias, enquanto a loja Y tem 12 avaliações e prazo de sete dias. Ele vai recomendar X, e isso vai aprofundar a diferença.
Onde o aprendizado de máquina falha — e onde o engenheiro precisa intervir
Já participei de revisões de pipeline de recomendação em que o time de produto defendia métricas puras de CTR (click-through rate) como único north star. Minha resposta sempre foi a mesma: métricas agregadas escondem distribuições perversas. Um modelo que otimiza CTR médio pode estar perfeitamente performando para 80% dos usuários enquanto falha de forma sistemática para nichos — e, em um país como o Brasil, nicho frequentemente rima com pequeno empreendedor.
A solução técnica passa por algumas frentes. A primeira é a calibração de exploration rate em algoritmos bandit-based — em vez de seguir sempre a melhor estimativa atual, o modelo precisa explorar itens com baixa contagem de interações, mesmo que isso reduza a taxa de conversão no curto prazo. A segunda é a criação de embeddings de produto que incorporem características contextuais, como porte do vendedor e tempo de atuação, de modo que o modelo possa aprender a não penalizar automaticamente lojas novas ou com menos avaliações. A terceira, e talvez mais importante, é uma instrumentação de métricas de equidade no próprio pipeline de avaliação do modelo — se o recall para produtos de vendedoras mulheres é 25% menor que para produtos de vendedores homens, isso precisa ser tratado como um bug, não como um viés aceitável.
Nenhuma dessas abordagens é trivial. Em ambientes de produção com milhões de itens e requisições por segundo, aumentar a janela de exploração significa potencialmente perder receita. É um trade-off real, que precisa ser discutido com franqueza entre times de engenharia e produto, e não em palcos de evento onde todos concordam que diversidade é importante.
Por trás das cortinas do Shopee Trends: o que o palco não mostra
O Shopee Trends, com seus painéis sobre empreendedorismo feminino, cumpre o papel de sensibilizar o ecossistema. Mas a conta não fecha se, nos bastidores dos data centers, o modelo de ranking que decide qual loja aparece na primeira página da busca continua sendo o mesmo de dois anos atrás, sem nenhuma camada de fairness. Conheço de perto o desafio de equilibrar velocidade de inferência com complexidade de modelo — colocar um classificador auxiliar de equidade no loop de recomendação adiciona latência, e times de infraestrutura frequentemente resistem a mudanças que possam afetar o p99 de resposta.
Minha experiência com arquiteturas de recomendação em larga escala me ensinou que o caminho economicamente viável é o de post-processing: em vez de retreinar todo o modelo com restrições de equidade (o que é caro e pode degradar performance geral), aplica-se um rerranqueamento nos itens candidatos já selecionados pelo modelo primário, ajustando a pontuação final com base em pesos por categoria de vendedor. É uma cirurgia fina — mexe apenas no último estágio do pipeline, sem reabrir todo o processo de treinamento. Empresas como LinkedIn e Twitter já publicaram trabalhos mostrando que essa abordagem reduz viés sem comprometer a experiência da maioria. Mas exige que a empresa queira, de fato, fazer isso.
O dado frio do monitoramento contínuo
Outro ponto que raramente aparece em eventos de marketing é a qualidade do dado de treinamento. Em marketplaces, a atribuição de gênero ao vendedor não é um campo obrigatório — e, em muitos casos, não é coletada por questões de privacidade. Isso significa que, para auditar ou mitigar viés de gênero, os times de dados precisam inferir gênero a partir de nomes ou outros proxies, o que introduz novos vieses e erros de classificação. Já vi times desistirem da auditoria simplesmente porque a base de dados não permitia uma inferência confiável.
A lição aqui é que fairness em machine learning começa no design da coleta de dados — não no pós-processamento. Se a empresa não coleta informações que permitam auditar equidade, ela está, na prática, optando por não saber se seus algoritmos discriminam. E, para um profissional de segurança e infraestrutura como eu, "não saber" é um risco operacional tão grave quanto não monitorar a latência de uma API crítica.
Perspectiva prática: o que times de engenharia podem fazer agora
Para times que atuam em marketplaces ou plataformas de e-commerce, existem ações de baixo custo relativo que geram impacto imediato na distribuição de visibilidade:
- Implementar um dashboard de exposure parity que monitore, semanalmente, a proporção de impressões que cada segmento de vendedor recebe. Se a meta é apoiar empreendedorismo feminino, a métrica precisa existir.
- Adicionar aleatoriedade controlada na ordem de exibição de resultados de busca para itens com menos de 30 dias de cadastro — uma janela de new seller boost que dá chance a quem está começando.
- Treinar modelos de recomendação com penalidade para alta concentração de tráfego nos mesmos sellers, usando regularização que force a distribuição a ser menos desigual.
- Estabelecer uma política de revisão de modelos nova a cada trimestre, com um checklist de equidade que inclua recortes de gênero, região e porte do negócio.
Nenhuma dessas medidas resolve o problema estrutural sozinha, mas criam as condições para que a engenharia não seja cúmplice de um viés que o discurso de palco diz combater.
Além do compliance: o case de negócio para algoritmos menos enviesados
Há ainda um argumento de negócio que engenheiros frequentemente ignoram mas que é crucial para convencer stakeholders: algoritmos que penalizam pequenas empreendedoras estão deixando dinheiro na mesa. O empreendedorismo feminino no Brasil movimenta bilhões, e muitas dessas vendedoras têm taxas de fidelização superiores às de sellers maiores porque o relacionamento com o cliente é mais próximo. Um modelo de recomendação que as invisibiliza está trocando receita de longo prazo — baseada em recorrência e conteúdo gerado pelo vendedor — por uma conversão imediata de um produto commoditizado vendido por um grande player.
Na minha avaliação, o futuro da curadoria algorítmica em marketplaces passará por uma diferenciação consciente: não tratar todos os vendedores como iguais, mas reconhecer que a diversidade da base é um ativo estratégico. Isso não é filantropia — é engenharia de produto bem-feita, que enxerga além da métrica de curto prazo.
O Shopee Trends e eventos similares são bem-vindos. Mas, como editor técnico, minha expectativa é que, na próxima edição, o palco divida espaço com um painel técnico discutindo métricas de equidade em tempo real, dashboards de exposição por perfil de vendedor e os trade-offs que times de engenharia enfrentam para tornar a plataforma mais justa sem quebrar o SLA de latência. Enquanto o código não refletir o discurso, a celebração do empreendedorismo feminino será apenas uma camada de apresentação sobre um pipeline que ainda precisa ser repensado.