E-commerce de moda: agilize textos de look e análise de avaliações com Claude Code

Foi numa sexta de tarde. Me avisaram que as páginas de 50 modelos novos precisavam ir ao ar na segunda-feira.

As fotos já estavam prontas. As medidas, tiradas. Mas faltava, para cada modelo, escrever três versões de “texto de look” e ainda garimpar as avaliações antigas para reaproveitar os argumentos que mais vendem. São 50 modelos vezes 3 versões: 150 textos. E mais: precisava ler as reclamações de caimento e de tecido e jogar isso nas descrições dos produtos.

Naquele dia, eu estava com vinte abas abertas só para copiar e colar avaliações, e às onze da noite murmurei “hoje não dá”. No e-commerce de moda, o gargalo aparece sempre no trabalho de texto, depois que a foto e a medida já foram feitas.

Foi aí que o Claude Code me salvou. Deleguei o rascunho dos textos e a triagem das avaliações, e fiquei do lado de quem corrige o “isso não é jeito da marca falar”. Resultado: os 150 textos saíram numa única noite. Hoje te entrego esse passo a passo num formato pronto para copiar e colar.

Pontos principais

Para o texto de look, basta passar “modelo, ocasião e caimento” que a IA já cospe os rascunhos. A pessoa só ajusta o tom de voz e o jeito da marca.
Análise de avaliação não pode parar em “contar as estrelas”. Etiquete em três eixos (caimento, tecido, entrega) e transforme em ação de melhoria.
Delegue à IA o rascunho, a classificação e o resumo. Decisão de desconto, texto sobre estoque e qualquer afirmação categórica passam obrigatoriamente pelo humano.
Basta passar nome do produto e código do modelo. Nome e e-mail de cliente nunca vão para a IA: essa é a regra de ouro de dados pessoais.
Nos textos dos 50 modelos, 4 horas de trabalho manual viraram cerca de 30 minutos. O ROI fecha até calculando por hora.

Onde trava o trabalho de produto no e-commerce de moda

Vou deixar claro o leitor. Este artigo é para quem monta as páginas de produto num e-commerce de moda: fotografa, mede, escreve o texto (no Japão isso é chamado de “sasage”) e, depois que a página vai ao ar, acompanha as avaliações para melhorar. Muitas vezes é uma pessoa só cuidando de várias marcas ao mesmo tempo.

O fluxo costuma ser assim:

Fotografar e medir os modelos novos que chegaram.
Cadastrar nome, material e tabela de medidas.
Escrever textos de look e de combinações.
Publicar e, quando as avaliações acumulam, ler as tendências.
Levar as reclamações de caimento e tecido para a próxima descrição e para a compra de estoque.

O retrabalho nasce nos passos 3 e 5. Cada texto leva uns 15 minutos para escrever; com 50 modelos, é um dia inteiro. E a análise de avaliação costuma parar em “tem muita nota 3” sem colocar em palavras o porquê da nota 3, e aí já chega o próximo lote. Resultado: a mesma reclamação de caimento se repete por seis meses. Esse é o desgaste silencioso de quem opera moda online.

Se é a primeira vez que você toca no Claude Code, primeiro deixe só o ambiente pronto com o Guia de primeiros passos do Claude Code, que o passo a passo daqui em diante já roda direto.

Caso 1: rascunhar 3 versões de texto de look por modelo

O primeiro ganho é a produção em massa dos textos. Você passa código do modelo, categoria, material e ocasião imaginada, e saem 3 rascunhos com tons diferentes. O humano só faz a seleção e o ajuste de tom de voz.

Vou separar numa tabela o que delegar e o que decidir.

Etapa	Delegar à IA	O humano decide sempre
Ideias de combinação	Sim, 5 opções	Conferir se a combinação tem estoque na loja
Rascunho do texto	Sim, 3 por ocasião	Ajustar para o jeito e o tom da marca
Texto de material e cuidados	Só esboço	Conferir se não contradiz a etiqueta de lavagem
Afirmações como “o mais barato” ou “garantido”	Não gerar	Remover sob a ótica da lei de publicidade

Este é o prompt pronto para copiar e colar. Já vem com a instrução de evitar afirmações exageradas, pensando que o texto vai direto para a página de produto.

Você é redator(a) publicitário(a) de um e-commerce de moda. Para o produto
abaixo, escreva 3 versões de texto de look (sugestão de combinações).

# Dados do produto
- Código: KN-2026SS-014
- Categoria: tricô oversized
- Material: 60% algodão, 40% acrílico
- Cores: marfim / moca
- Ocasiões: trabalho, café no fim de semana, compras no bairro

# Condições
- Cada versão com 120 a 160 caracteres, tom cordial
- Inclua sempre 1 peça para combinar (calça, saia ou acessório)
- Não use afirmações categóricas nem promessas de efeito ("o mais barato",
  "garantido", "comprovado")
- Não cite numeração; foque na atmosfera e na ocasião

Formato de saída:
Versão 1: texto
Versão 2: texto
Versão 3: texto

O ponto-chave é colocar “não usar afirmações categóricas” como condição. Moda esbarra fácil na lei de publicidade, e apagar depois um “vai te emagrecer com certeza” dá um trabalho silencioso e chato. Proibindo já na primeira instrução, você reduz a correção.

Caso 2: etiquetar avaliações em 3 eixos e virar melhoria de produto

O segundo é a análise de avaliação. Contar estrelas, uma planilha resolve. O valor aparece quando você separa os textos livres em três eixos (caimento, tecido/qualidade, entrega/embalagem) e ainda transforma cada um em ação de melhoria.

Aqui vai uma checklist de classificação. Revisar a saída da IA por estes pontos reduz as falhas:

As menções a caimento estão classificadas em “grande / pequeno / normal”?
As queixas de tecido foram captadas com palavras concretas (“fino”, “raspa”, “embola”)?
Os comentários de entrega e embalagem não foram misturados com a avaliação do produto?
A mesma queixa foi contada (quantas vezes aparece)?
A ação de melhoria foi dividida entre “próxima compra de estoque” e “ajuste na descrição”?

Modelo de prompt para a triagem das avaliações. Peça a resposta em tabela, para facilitar a soma.

Abaixo estão textos de avaliações de um produto. Etiquete cada um pelos 3
eixos a seguir e, no fim, traga 3 sugestões de melhoria.

# Eixos
1. Caimento: grande / pequeno / normal / sem menção
2. Tecido e qualidade: bom / queixa (qual) / sem menção
3. Entrega e embalagem: boa / queixa (qual) / sem menção

# Saída
| Nº | Caimento | Tecido/qualidade | Entrega/embalagem | Resumo em 1 frase |
Depois da tabela, em "## Sugestões de melhoria", separe o que corrigir na
próxima compra de estoque do que dá para antecipar na descrição.

# Textos das avaliações
(cole aqui, 1 avaliação por linha)

O truque é fazer a IA apontar “o que dá para antecipar na descrição”. Por exemplo, se “mais fino do que eu esperava” aparece 5 vezes, antes de trocar o tecido basta escrever na descrição “tecido leve, de toque suave” para reduzir a frustração. Não é raro a nota subir sem mexer no estoque.

Caso 3: checar a qualidade dos textos por máquina

O terceiro é a verificação. Conferir 150 textos só no olho deixa passar, sem falta, excesso de caracteres e palavra proibida. Esse posto a gente entrega a um porteiro mecânico.

O script abaixo lê um JSON com os textos gerados e checa automaticamente o tamanho e as palavras proibidas. Se você tiver Node.js, roda direto. As afirmações que viram cilada no e-commerce de moda estão em NG_WORDS; adicione as suas conforme as regras de redação da sua loja.

import { readFile } from "node:fs/promises";

// Alvo: um JSON com o array [{ id, text } ...]
const items = JSON.parse(await readFile("./proposals.json", "utf8"));

const NG_WORDS = ["o mais barato", "garantido", "emagrece", "comprovado", "nº 1", "o melhor do Brasil"];
const MIN = 120;
const MAX = 160;

let ng = 0;
for (const item of items) {
  const len = [...item.text].length; // conta cada caractere, inclusive acentos
  const hits = NG_WORDS.filter((w) => item.text.toLowerCase().includes(w.toLowerCase()));
  const problems = [];
  if (len < MIN || len > MAX) problems.push(`tamanho ${len} (esperado ${MIN}-${MAX})`);
  if (hits.length) problems.push(`palavras proibidas: ${hits.join(", ")}`);

  if (problems.length) {
    ng++;
    console.log(`NG ${item.id}: ${problems.join(" / ")}`);
  }
}

console.log(`\nDe ${items.length} textos, ${ng} precisam de ajuste`);
process.exit(ng === 0 ? 0 : 1);

O proposals.json tem esta cara. Se você pedir os textos já neste formato na hora de gerar, a integração fica fácil.

[
  { "id": "KN-2026SS-014-A", "text": "Tricô oversized de ar suave. ..." },
  { "id": "KN-2026SS-014-B", "text": "Uma peça arrumadinha que combina até com o trabalho. ..." }
]

Rodar esse script uma vez antes de publicar já barra palavra proibida e tamanho fora do padrão. Se você anotar essas regras no CLAUDE.md, ele passa a captar sozinho a cada vez; vale ler também Boas práticas de CLAUDE.md para a operação ficar estável. Quem quiser apertar mais o prompt encontra apoio em Engenharia de prompts avançada.

O que mudou do antes para o depois

Em números, o efeito fica nítido. É só uma estimativa do meu canto, mas serve de referência.

Tarefa	Antes	Depois
Textos: 50 modelos × 3 versões	~4 horas (parte do cálculo de 15 min/texto)	~30 min (rascunho + ajuste de tom)
Ler a tendência de 100 avaliações	~2 horas	~20 min
Conferir tamanho e palavra proibida antes de publicar	A olho, com falhas	Automático pelo script, falha 0

No total, entre textos e avaliações, sobraram umas 10 horas por mês. Calculando o tempo a R$ 40 a hora, dá uns R$ 400 por mês. Mas redirecionar o tempo livre para a direção das fotos e a decisão de compra pesou mais do que o valor em si.

O que delegar à IA e a linha que o humano sempre segura

Delegar tudo porque é prático dá acidente no e-commerce de moda. Vou deixar a divisão clara.

Pode delegar: rascunho, classificação, resumo e checagem de formato. O esboço do texto, a etiquetagem das avaliações, a lista de candidatas a melhoria. Aí a IA é rápida.

O humano sempre segura o seguinte:

A decisão final de texto de desconto e promoção (mexe direto no custo e no lucro).
Afirmações categóricas e promessas de efeito (“garantido”, “o mais barato”) — risco com a lei de publicidade.
O texto sobre quantidade em estoque e prazo de chegada (erro vira reclamação de falta).
Os jeitos de falar que tocam o universo da marca (tom mecânico afasta o cliente).

Se você vai compartilhar essa divisão com um time que não é técnico, peça que leiam o Claude Code para quem não é dev: assim o senso do que dá para delegar fica alinhado.

Cuidados com dados pessoais e segurança

Aqui não dá para relaxar. Na análise de avaliações, o texto às vezes traz por engano o nome do comprador, o número do pedido ou parte do endereço. Colar isso direto na IA, evite.

As regras de campo são simples:

À IA vão só nome do produto, código do modelo, categoria, material e textos de avaliações já publicados.
Nome, e-mail, telefone, número do pedido e endereço do cliente vão mascarados antes.
Se uma avaliação trouxer nome de pessoa, substitua antes de colar.
Custo confidencial e nome de fornecedor não entram.

O nome próprio nas avaliações, na maioria das vezes, você bloqueia só usando o “localizar e substituir” do editor para esconder nomes com “Sr.” ou “Sra.” antes de colar. Parece trabalho, mas pular esse passo derruba a confiança de uma vez — então faça sempre.

Perguntas frequentes

P. Os textos gerados ficam todos com o mesmo jeito de falar. R. Deixe explícito no prompt: “as 3 versões devem mudar de tom (arrumadinho / casual / relaxado)”. Só trocar a ocasião não basta, o vocabulário converge; adicione o eixo de tom à parte para espalhar.

P. Tenho centenas de avaliações, não cabem todas. R. Não coloque tudo de uma vez: rode em blocos de 50, com o mesmo prompt, e no fim junte só a tabela de soma. Quanto mais avaliações, mais vale apoiar a contagem no script do Caso 3.

P. É chato instruir o tom da marca toda vez. R. Reúna no CLAUDE.md o tom de voz, as palavras proibidas e os jeitos preferidos da marca, e a instrução de cada vez deixa de ser necessária. Outra vantagem é poder compartilhar com o time.

P. Posso publicar os textos como saíram? R. Trate como rascunho. A checagem de tom, jeito da marca e afirmações categóricas passa pelo humano. O script do Caso 3 é apoio, não a decisão final.

O que aconteceu quando testei de verdade

Aquele “50 modelos no ar na segunda” do começo, rodei mesmo com esse passo a passo.

Os textos: passei código, material e ocasião e gerei 3 versões por modelo. Os 150 rascunhos saíram em uns 20 minutos, e o que eu fiz foi padronizar o tom e apagar um “com certeza o que mais vai te cair bem” que tinha escapado em 2 deles. Passando pelo script de verificação, achei 7 com tamanho estourado e 2 com palavra proibida. Pegar isso antes de publicar fez muita diferença.

Na análise de avaliação, descobri que o motivo das notas 3 se concentrava em “fica meio grande”, e antecipei na descrição: “modelagem soltinha”. Saber que dava para agir sem esperar a próxima compra de estoque foi o ganho.

No fim, o que mais pesou foi separar logo no começo o que delego à IA e o que eu seguro. Rascunho é da IA; tom, afirmação e caimento, a decisão final é do humano. Depois de traçar essa linha, diminuíram as noites de onze da hora murmurando “não dá”. Se você quer montar o mesmo fluxo no time, o caminho rápido é desenhar as regras de operação no treinamento e consultoria.

Sobre a base legal de publicidade, vale conhecer o material oficial do Procon e do Código de Defesa do Consumidor; no Brasil, o Conar reúne as regras de autorregulamentação da propaganda, e lê-las ajuda você a explicar com suas palavras onde fica a linha das afirmações categóricas.