Todo projeto de monitoramento de preços começa com a mesma pergunta: com que frequência precisamos verificar? Verificar com pouca frequência demais e você perde as mudanças que está pagando para ver. Verificar com frequência demais e você gasta dinheiro registrando preços que não se moveram.
A resposta depende da rapidez com que os preços realmente mudam, e isso tem sido medido com cuidado. Economistas passaram duas décadas coletando preços online em larga escala para estudar a inflação, e seus artigos contêm os números mais confiáveis disponíveis sobre a frequência com que os varejistas reprecificam, como isso mudou ao longo do tempo e como a forma de amostragem distorce o que se observa.
Este estudo reúne esses números. Todo número abaixo vem do texto ou das tabelas originais dos artigos; as fontes estão listadas ao final.
Principais conclusões
- Os preços online mudam mais rápido do que costumavam. Em grandes varejistas multicanal dos EUA, a frequência mensal de mudanças de preço regular subiu de 15,4% em 2008-2010 para 27,4% em 2014-2017. O preço regular típico passou de durar cerca de seis meses e meio para menos de quatro.
- Os marketplaces são um mundo diferente. Em um conjunto de best-sellers da Amazon acompanhados por seis semanas, apenas 13% dos produtos mantiveram o mesmo preço de Buy Box, e metade mudou mais de 14 vezes.
- O surto de inflação de 2022-2023 mais que dobrou a frequência de mudanças de preço online em setores e países, após anos de comportamento estável.
- Verificações diárias e semanais captam quase as mesmas mudanças em varejistas. Verificações mensais perdem muitas delas, e calcular médias de preços ao longo de uma semana inventa pequenas mudanças que nunca ocorreram.
- A cadência certa depende do canal: semanal a diária para sites de varejistas, por hora ou mais rápido para anúncios de marketplace disputados.
Como as mudanças de preço são medidas
Duas medidas aparecem ao longo da pesquisa.
- Frequência é a proporção de observações em que o preço de um produto difere da observação anterior. Uma frequência mensal de 20% significa que um produto em cinco muda de preço em um mês típico.
- Duração implícita converte a frequência em quanto tempo um preço normalmente dura. A maioria dos artigos usa a fórmula -1/ln(1 - f), que assume uma chance constante de mudança a cada período; alguns usam a mais simples 1/f. As duas dão números diferentes para a mesma frequência, então compare durações apenas dentro de um mesmo artigo.
A pesquisa também distingue preços anunciados, que incluem promoções temporárias, de preços regulares, que filtram as promoções. Um produto que cai de preço em uma promoção de fim de semana e volta ao preço anterior conta como duas mudanças nos preços anunciados e nenhuma nos preços regulares.
O que os preços dos varejistas fazem
A evidência mais detalhada vem do trabalho de Alberto Cavallo no MIT e do Billion Prices Project, que até 2010 coletava cinco milhões de preços por dia de mais de 300 varejistas em 50 países. Seu estudo de 2018 sobre grandes varejistas multicanal dos EUA, usando dados diários agregados em frequências mensais, mostra o quanto a precificação se tornou mais rápida ao longo de uma década:
| Período | Frequência mensal de mudanças de preço regular | Duração implícita | Aumentos de preço | Reduções de preço | Tamanho médio de uma mudança |
|---|---|---|---|---|---|
| 2008-2010 | 15,4% | 6,5 meses | 6,9% | 8,9% | 17,5% |
| 2011-2013 | 22,4% | 4,5 meses | 10,3% | 12,1% | 16,2% |
| 2014-2017 | 27,4% | 3,7 meses | 12,5% | 15,0% | 15,0% |
Fonte: Cavallo (2018), “More Amazon Effects”, Tabela 1. As durações usam 1/f.
Incluindo promoções, a frequência mensal subiu de 21% para mais de 31% no mesmo período. As mudanças se tornaram mais frequentes e ligeiramente menores.
A aceleração não foi uniforme entre as categorias. A duração dos preços regulares para lazer e eletrônicos caiu de 13,1 para 5,5 meses, e para móveis e artigos domésticos de 14,2 para 5,9 meses. Alimentos e bebidas não alcoólicas permaneceram estáveis em 6,4 meses. As categorias que mudaram mais rápido são aquelas em que a concorrência online mais cresceu.
A concorrência também se manifesta no nível do produto. Para cerca de 50.000 produtos da Walmart acompanhados diariamente entre 2016 e 2018, aqueles também vendidos na Amazon tiveram preços que duraram cerca de 20% menos tempo do que os demais. Em roupas e calçados, a diferença foi muito maior.
Os preços online e offline se movem juntos mais do que muitos assumem. Em um estudo separado de 56 grandes varejistas multicanal em 10 países, o preço online correspondeu ao preço na loja física 72% das vezes, e a frequência semanal de mudanças de preço online (7,6%) não foi significativamente diferente da offline (6,8%). Para varejistas que vendem nos dois canais, o site costuma ser uma visão confiável da prateleira. Nosso guia sobre detecção de precificação geopersonalizada e dinâmica aborda os casos em que isso não ocorre.
O que os preços de marketplace fazem
Os marketplaces são onde a precificação mais rápida acontece. Um estudo de 2016 de pesquisadores da Northeastern University acompanhou 1.641 best-sellers da Amazon, registrando os 20 principais vendedores de cada produto a cada 25 minutos. Ao longo de seis semanas:
| Medida | Resultado |
|---|---|
| Produtos cujo preço de Buy Box nunca mudou | 13% |
| Produtos com mais de 14 mudanças de preço de Buy Box | 50% |
| Produtos cujo vencedor do Buy Box nunca mudou | 31% |
| Vendedores identificados usando precificação algorítmica | 543, ou 2,4% de todos os vendedores |
| Proporção de vendedores com 20+ mudanças de preço em um produto que eram algorítmicos | 38% |
Fonte: Chen, Mislove e Wilson (2016).
Alguns produtos tiveram centenas de mudanças de Buy Box em seis semanas, muito mais que uma por dia, enquanto a maioria dos vendedores individuais nunca mudou seu preço. Um pequeno grupo de vendedores algorítmicos impulsiona a maior parte da movimentação. Produtos com vendedores algorítmicos quase nunca mantiveram um preço de Buy Box estático (2%), contra 20% dos produtos sem eles.
As ferramentas de reprecificação agora são comuns muito além da Amazon. Na investigação de comércio eletrônico de 2017 da Comissão Europeia, 53% dos varejistas disseram que acompanhavam os preços online dos concorrentes. Dois terços deles usavam software para isso, e 78% dos varejistas que usavam software então ajustavam seus próprios preços em resposta. Para ver como isso se dá na prática, consulte nosso guia sobre construção de um feed de preços competitivos em tempo real.
O que aconteceu durante o surto de inflação
A fixação de preços não é fixa. Usando preços coletados diariamente dos EUA e de vários países europeus, Cavallo, Lippi e Miyahara constataram que a frequência de mudanças de preço online foi amplamente estável até 2021 e então “aumentou significativamente em 2022 e 2023, mais que dobrando em todos os setores e países.”
O ponto de partida era lento. Antes do surto, em 2019-2021, os varejistas de alimentos e bebidas mudavam seus preços regulares cerca de 1,9 vezes por ano em média, de 0,8 vezes no Reino Unido a 2,3 na Holanda.
O mesmo padrão aparece nos dados oficiais de preços ao consumidor, que cobrem principalmente lojas físicas:
- Estados Unidos: a frequência mensal de mudanças de preço excluindo promoções subiu de cerca de 10% antes da pandemia para um pico ligeiramente acima de 20% no início de 2022, e voltou para cerca de 13% em 2024 (Federal Reserve Board, 2025).
- Zona do euro: a frequência mensal subiu de uma média de 8% em 2010-2019 para 12% em 2022, depois recuou em 2023 e 2024 (Banca d’Italia, 2026). O mesmo estudo constatou que os preços online nos dados alemães tendem a mudar com mais frequência do que os offline.
Uma cadência de monitoramento que era suficiente em 2019 não foi suficiente em 2022. A cadência deve ser revisada quando o mercado muda, não definida de uma vez por todas.
Online em comparação com o referencial offline
Para contextualizar, os estudos clássicos de dados de preços ao consumidor nos EUA colocam a duração mediana de um preço em 4,3 meses incluindo promoções e 5,5 meses excluindo-as (Bils e Klenow, 2004). Apenas para preços regulares, a mediana foi de 8 a 11 meses no período 1988-2005 (Nakamura e Steinsson, 2008).
Em comparação com esse referencial, a duração de preço regular de 3,7 meses em grandes varejistas online dos EUA em 2014-2017 é aproximadamente de duas a três vezes mais rápida. Os dois usam dados e métodos diferentes, então a comparação é aproximada, mas a direção é clara.
O que isso significa para a cadência de monitoramento
A conclusão mais útil para equipes de monitoramento vem do estudo de 2018 de Cavallo, que compara os mesmos dados coletados em diferentes intervalos:
| Amostragem | Duração implícita nos EUA | O que acontece |
|---|---|---|
| Diária | 2,68 meses | Referência |
| Semanal | 2,91 meses | Quase idêntica: “poucos produtos têm mais de uma mudança de preço por semana” |
| Mensal | 4,7 meses | ”Muitas mudanças de preço dentro do mês não são observadas” |
| Médias semanais | Cerca de metade da duração dos preços semanais | A média cria mudanças pequenas e falsas |
Fonte: Cavallo (2018), “Scraped Data and Sticky Prices”, versão publicada.
Seguem-se quatro regras práticas.
- Para sites de varejistas, a verificação semanal capta a maioria das mudanças, e a diária capta quase todas. Passar de semanal para diário faz pouca diferença no que você mede. Passar de semanal para mensal faz uma grande diferença.
- Nunca calcule a média de preços antes de medir as mudanças. As médias semanais reduzem pela metade tanto a duração medida quanto o tamanho medido das mudanças, porque um único corte de preço no meio de uma semana se transforma em dois passos menores. Armazene todo preço observado.
- Para marketplaces, minutos e horas importam. Preços de Buy Box disputados podem mudar várias vezes ao dia. A equipe da Northeastern optou por 25 minutos depois de constatar que a coleta a cada minuto captava principalmente oscilações breves dos próprios sistemas do marketplace, e não reprecificações reais.
- Registre a disponibilidade além do preço. Nos dados diários de Cavallo, de 22% a 37% das observações diárias estavam ausentes porque um produto estava fora de estoque ou a página não pôde ser coletada, e as faltas de estoque em si se mostraram um sinal útil: aumentaram durante a pandemia, de cerca de 14% para mais de 35% nos EUA. Uma lacuna em seus dados é informação, não apenas ruído.
| Canal | Cadência inicial sugerida |
|---|---|
| Sites de varejistas, categorias estáveis (mercearia, doméstico) | Semanal, diária em torno de promoções |
| Sites de varejistas, categorias rápidas (eletrônicos, artigos para o lar) | Diária |
| Anúncios de marketplace com vários vendedores | Por hora, mais rápido para best-sellers |
| Tarifas de viagem e diárias de hotel | Diária por data de partida ou estadia, com mais frequência perto da data |
Medindo isso em seus próprios dados
Se você já coleta preços, pode medir a volatilidade do seu próprio mercado em vez de depender de médias de amostras de outras pessoas. A função abaixo calcula a frequência, a duração implícita, a proporção de aumentos e o tamanho mediano de uma mudança a partir de observações diárias:
import math
from collections import defaultdict
def change_stats(observations, min_change=0.0):
"""observations: (product_id, day, price) tuples from a daily scrape.
Compares each price with the product's previous observed price on the day
before. Gaps are skipped, not filled: a price carried across a missing day
would hide changes, and an interpolated one would invent small ones.
"""
by_product = defaultdict(dict)
for product, day, price in observations:
by_product[product][day] = price
pairs = changes = increases = 0
sizes = []
for prices in by_product.values():
for day in sorted(prices):
previous = prices.get(day - 1)
if previous is None:
continue
pairs += 1
change = (prices[day] - previous) / previous
if abs(change) > min_change:
changes += 1
increases += change > 0
sizes.append(abs(change))
frequency = changes / pairs if pairs else 0.0
sizes.sort()
return {
"daily_pairs": pairs,
"frequency": round(frequency, 4),
# Mean days between changes if each day were an independent draw.
"implied_duration_days": round(-1 / math.log(1 - frequency), 1) if 0 < frequency < 1 else None,
"share_increases": round(increases / changes, 3) if changes else None,
"median_abs_change": round(sizes[len(sizes) // 2], 4) if sizes else None,
}Ela compara cada preço apenas com o preço do dia anterior. Uma lacuna é ignorada em vez de preenchida, porque manter o último preço distorce a detecção de mudanças e preencher a lacuna com uma estimativa inventa outras pequenas. É a mesma distorção que a pesquisa encontrou em dados com médias.
Um pequeno exemplo:
from price_changes import change_stats
observations = [
("sku-1", 1, 19.99), ("sku-1", 2, 19.99), ("sku-1", 3, 17.99), ("sku-1", 4, 17.99),
("sku-2", 1, 5.49), ("sku-2", 2, 5.49), ("sku-2", 4, 5.79), ("sku-2", 5, 5.79),
("sku-3", 1, 249.00), ("sku-3", 2, 239.00), ("sku-3", 3, 249.00), ("sku-3", 4, 249.00),
]
print(change_stats(observations)){'daily_pairs': 8, 'frequency': 0.375, 'implied_duration_days': 2.1, 'share_increases': 0.333, 'median_abs_change': 0.0418}O preço do segundo produto subiu de 5,49 para 5,79 ao longo de um dia ausente, então essa mudança não é contada. Com dados reais, os dias ausentes são os dias de falta de estoque e de falha na coleta, e você deve relatar quantos houve junto com o resultado. Coletar de forma limpa desde o início ajuda: uma observação ausente causada por um bloqueio parece igual a uma causada por falta de estoque. Nosso guia sobre o custo por registro limpo aborda como as taxas de falha entram nos orçamentos de monitoramento.
Execute a função por categoria e por concorrente. Uma categoria cuja duração implícita é de poucos dias precisa de coleta diária ou mais rápida. Uma medida em meses pode ser verificada semanalmente sem perder nada.
Perguntas frequentes
Com que frequência os preços online mudam?
Em grandes varejistas multicanal dos EUA, cerca de 27% dos produtos mudaram seu preço regular em um mês típico em 2014-2017, então um preço regular durava cerca de quatro meses. Os preços de marketplace mudam muito mais rápido: metade dos best-sellers da Amazon em um estudo mudou seu preço de Buy Box mais de 14 vezes em seis semanas.
O monitoramento diário de preços é necessário?
Para a maioria dos sites de varejistas, o monitoramento semanal capta a maioria das mudanças, e pesquisas comparando amostragem diária e semanal encontraram resultados quase idênticos. O monitoramento diário importa para categorias rápidas, promoções e marketplaces. O monitoramento mensal perde muitas mudanças.
Os preços online mudam com mais frequência do que os preços nas lojas físicas?
Em varejistas que vendem tanto online quanto em lojas físicas, os preços são idênticos cerca de 72% das vezes e mudam em taxas semelhantes. A concorrência exclusivamente online, especialmente em marketplaces, é onde os preços mudam com mais frequência.
A inflação mudou a frequência com que os preços mudam?
Sim. A frequência de mudanças de preço online mais que dobrou em 2022 e 2023, e os dados oficiais de preços nos EUA e na zona do euro mostram aumentos semelhantes, seguidos de um retorno parcial aos níveis anteriores.
Conclusão
Os preços online mudam mais rápido do que mudavam há uma década, muito mais rápido em marketplaces do que em sites de varejistas, e ainda mais rápido quando a inflação sobe. A pesquisa dá uma regra clara para o monitoramento: em sites de varejistas, a coleta semanal capta a maior parte do que a coleta diária capta, a coleta mensal perde muito, e dados com médias distorcem o quadro. Meça suas próprias categorias, defina a cadência pela rapidez com que elas realmente se movem, e revise-a quando o mercado mudar.
Fontes e referências
- Cavallo, A. (2018). More Amazon Effects: Online Competition and Pricing Behaviors. NBER Working Paper 25138.
- Cavallo, A. (2018). Scraped Data and Sticky Prices. Review of Economics and Statistics 100(1).
- Cavallo, A. (2017). Are Online and Offline Prices Similar? Evidence from Large Multi-Channel Retailers. American Economic Review 107(1).
- Cavallo, A. e Rigobon, R. (2016). The Billion Prices Project: Using Online Prices for Measurement and Research. NBER Working Paper 22111, publicado no Journal of Economic Perspectives 30(2).
- Cavallo, A., Lippi, F. e Miyahara, K. (2023). Large Shocks Travel Fast. NBER Working Paper 31659.
- Cavallo, A. e Kryvtsov, O. (2023). What Can Stockouts Tell Us About Inflation? Evidence from Online Micro Data. NBER Working Paper 29209.
- Chen, L., Mislove, A. e Wilson, C. (2016). An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace. WWW 2016.
- European Commission (2017). Final report on the E-commerce Sector Inquiry e staff working document.
- Montag, H. e Villar, D. (2025). Post-Pandemic Price Flexibility in the U.S. Federal Reserve Board, FEDS 2025-024.
- Gautier, E. et al. (2026). Consumer price stickiness in the euro area during an inflation surge. Banca d’Italia, Temi di discussione 1524.
- Bils, M. e Klenow, P. (2004). Some Evidence on the Importance of Sticky Prices. Journal of Political Economy 112(5).
- Nakamura, E. e Steinsson, J. (2008). Five Facts About Prices: A Reevaluation of Menu Cost Models. Quarterly Journal of Economics 123(4).
Vários dos estudos de Cavallo usam dados da PriceStats, empresa que ele cofundou; os artigos divulgam isso.