Análise do Setor de Varejo Brasil 2026: MGLU3, VIIA3, LREN3, ARZZ3 e Mais

┌─────────────────────────────────────────────────────────────────┐
│                    ECOSSISTEMA DO VAREJO B3                     │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│   VESTUÁRIO          ELETRO/MÓVEIS        ALIMENTAR            │
│   ┌─────────┐        ┌─────────┐          ┌─────────┐          │
│   │ LREN3   │        │ MGLU3   │          │ CRFB3   │          │
│   │ ARZZ3   │        │ VIIA3   │          │ ASAI3   │          │
│   │ SOMA3   │        │ BHIA3   │          │ PCAR3   │          │
│   │ CEAB3   │        │         │          │ GMAT3   │          │
│   └─────────┘        └─────────┘          └─────────┘          │
│                                                                 │
│   FARMÁCIAS          E-COMMERCE           DIVERSOS             │
│   ┌─────────┐        ┌─────────┐          ┌─────────┐          │
│   │ RADL3   │        │ MELI34* │          │ AMER3   │          │
│   │ PNVL3   │        │ BKBR3   │          │ NTCO3   │          │
│   │ PGMN3   │        │ LWSA3   │          │ VIVA3   │          │
│   └─────────┘        └─────────┘          └─────────┘          │
│                                                                 │
│   * BDR - Mercado Livre                                        │
└─────────────────────────────────────────────────────────────────┘

┌────────────────────────────────────────────────────┐
│           MARGENS TÍPICAS POR SEGMENTO             │
├────────────────────────────────────────────────────┤
│                                                    │
│  Supermercados     ████░░░░░░░░░░░░░░░░  1-3%     │
│  Eletro/Móveis     ██████░░░░░░░░░░░░░░  3-5%     │
│  Vestuário         ████████████░░░░░░░░  8-12%    │
│  Farmácias         ██████░░░░░░░░░░░░░░  3-5%     │
│  Luxo/Premium      ████████████████░░░░  12-18%   │
│                                                    │
└────────────────────────────────────────────────────┘

EVOLUÇÃO DO E-COMMERCE NO VAREJO BRASILEIRO

2019: ████████░░░░░░░░░░░░░░░░░░░░░░  5% das vendas
2020: ████████████████░░░░░░░░░░░░░░  11% (COVID)
2021: ██████████████████░░░░░░░░░░░░  13%
2022: ████████████████░░░░░░░░░░░░░░  11%
2023: ██████████████████░░░░░░░░░░░░  12%
2024: ████████████████████░░░░░░░░░░  14%

import requests

def calcular_crescimento_sss(receita_atual, receita_anterior, inflacao):
    """
    Calcula o crescimento Same Store Sales real
    """
    crescimento_nominal = ((receita_atual / receita_anterior) - 1) * 100
    crescimento_real = crescimento_nominal - inflacao
    
    return {
        "crescimento_nominal": round(crescimento_nominal, 2),
        "crescimento_real": round(crescimento_real, 2),
        "acima_inflacao": crescimento_real > 0
    }

resultado = calcular_crescimento_sss(
    receita_atual=10500,
    receita_anterior=10000,
    inflacao=4.5
)
print(f"Crescimento nominal: {resultado['crescimento_nominal']}%")
print(f"Crescimento real: {resultado['crescimento_real']}%")

def calcular_giro_estoque(cmv, estoque_medio):
    """
    Calcula quantas vezes o estoque gira por ano
    CMV = Custo das Mercadorias Vendidas
    """
    giro = cmv / estoque_medio
    dias_estoque = 365 / giro
    
    return {
        "giro_anual": round(giro, 2),
        "dias_em_estoque": round(dias_estoque, 0)
    }

benchmarks = {
    "supermercados": {"giro_ideal": 12, "dias_ideal": 30},
    "vestuario": {"giro_ideal": 4, "dias_ideal": 90},
    "eletro": {"giro_ideal": 6, "dias_ideal": 60},
    "farmacias": {"giro_ideal": 8, "dias_ideal": 45}
}

def analisar_margem_ebitda_varejo(ebitda, receita_liquida, segmento):
    """
    Analisa margem EBITDA comparando com benchmarks do setor
    """
    margem = (ebitda / receita_liquida) * 100
    
    benchmarks = {
        "vestuario": 15,
        "eletro": 8,
        "supermercado": 6,
        "farmacia": 7,
        "ecommerce": 5
    }
    
    benchmark = benchmarks.get(segmento, 10)
    
    return {
        "margem_ebitda": round(margem, 2),
        "benchmark_setor": benchmark,
        "vs_benchmark": round(margem - benchmark, 2),
        "avaliacao": "Acima do setor" if margem > benchmark else "Abaixo do setor"
    }

import requests
import pandas as pd

# Configuração da API brapi.dev
API_TOKEN = "seu_token_aqui"
BASE_URL = "https://brapi.dev/api"

def obter_dados_varejo():
    """
    Obtém dados fundamentalistas das principais varejistas
    """
    tickers = ["MGLU3", "BHIA3", "LREN3", "ARZZ3", "SOMA3", "CEAB3"]
    
    url = f"{BASE_URL}/quote/{','.join(tickers)}"
    params = {"fundamental": "true"}
    headers = {"Authorization": f"Bearer {API_TOKEN}"}
    
    response = requests.get(url, params=params, headers=headers)
    
    if response.status_code == 200:
        return response.json()["results"]
    else:
        print(f"Erro: {response.status_code}")
        return None

def criar_tabela_comparativa(dados):
    """
    Cria tabela comparativa entre varejistas
    """
    comparativo = []
    
    for acao in dados:
        info = {
            "Ticker": acao.get("symbol"),
            "Nome": acao.get("shortName", "")[:20],
            "Preço": acao.get("regularMarketPrice"),
            "Variação (%)": round(acao.get("regularMarketChangePercent", 0), 2),
            "P/L": acao.get("priceEarnings"),
            "P/VP": acao.get("priceToBook"),
            "Div Yield (%)": acao.get("dividendYield"),
            "ROE (%)": acao.get("returnOnEquity"),
            "Margem Líq (%)": acao.get("netMargin"),
            "Dív/PL": acao.get("debtToEquity")
        }
        comparativo.append(info)
    
    df = pd.DataFrame(comparativo)
    return df

# Executar análise
dados = obter_dados_varejo()
if dados:
    tabela = criar_tabela_comparativa(dados)
    print("\n=== COMPARATIVO SETOR VAREJO ===\n")
    print(tabela.to_string(index=False))

=== COMPARATIVO SETOR VAREJO ===

Ticker  Nome                  Preço   Var(%)   P/L    P/VP  DY(%)  ROE(%)  Marg(%)  Dív/PL
MGLU3   Magazine Luiza         12.50   -2.3   -15.2   1.8   0.0    -12.5   -2.1     2.5
BHIA3   Grupo Casas Bahia       0.85   -4.1   -3.5    0.2   0.0    -45.0   -8.5     4.2
LREN3   Lojas Renner           14.80   +1.2   12.5    2.1   3.5    18.2    8.5      0.8
ARZZ3   Arezzo                 55.20   +0.8   18.2    3.5   2.8    22.5    10.2     0.4
SOMA3   Grupo Soma             6.50    -1.5   25.0    1.2   1.5    8.5     5.2      1.2
CEAB3   C&A Brasil             9.80    +2.1   -8.5    0.9   0.0    -10.5   -1.8     1.8

def calcular_score_varejo(dados_fundamentalistas):
    """
    Calcula score de qualidade para empresas de varejo (0-100)
    """
    score = 0
    detalhes = {}
    
    # 1. Rentabilidade (30 pontos)
    roe = dados_fundamentalistas.get("returnOnEquity", 0) or 0
    if roe > 20:
        score += 30
        detalhes["rentabilidade"] = "Excelente"
    elif roe > 15:
        score += 25
        detalhes["rentabilidade"] = "Boa"
    elif roe > 10:
        score += 15
        detalhes["rentabilidade"] = "Regular"
    elif roe > 0:
        score += 5
        detalhes["rentabilidade"] = "Baixa"
    else:
        detalhes["rentabilidade"] = "Negativa"
    
    # 2. Endividamento (25 pontos)
    div_pl = dados_fundamentalistas.get("debtToEquity", 0) or 0
    if div_pl < 0.5:
        score += 25
        detalhes["endividamento"] = "Muito baixo"
    elif div_pl < 1.0:
        score += 20
        detalhes["endividamento"] = "Saudável"
    elif div_pl < 2.0:
        score += 10
        detalhes["endividamento"] = "Moderado"
    else:
        detalhes["endividamento"] = "Elevado"
    
    # 3. Margem Líquida (20 pontos)
    margem = dados_fundamentalistas.get("netMargin", 0) or 0
    if margem > 8:
        score += 20
        detalhes["margem"] = "Excelente"
    elif margem > 5:
        score += 15
        detalhes["margem"] = "Boa"
    elif margem > 2:
        score += 10
        detalhes["margem"] = "Regular"
    elif margem > 0:
        score += 5
        detalhes["margem"] = "Apertada"
    else:
        detalhes["margem"] = "Negativa"
    
    # 4. Valuation (15 pontos)
    pl = dados_fundamentalistas.get("priceEarnings", 0) or 0
    if 0 < pl < 10:
        score += 15
        detalhes["valuation"] = "Barato"
    elif 10 <= pl < 15:
        score += 12
        detalhes["valuation"] = "Justo"
    elif 15 <= pl < 25:
        score += 8
        detalhes["valuation"] = "Premium"
    elif pl >= 25:
        score += 3
        detalhes["valuation"] = "Caro"
    else:
        detalhes["valuation"] = "P/L negativo"
    
    # 5. Dividendos (10 pontos)
    dy = dados_fundamentalistas.get("dividendYield", 0) or 0
    if dy > 4:
        score += 10
        detalhes["dividendos"] = "Alto yield"
    elif dy > 2:
        score += 7
        detalhes["dividendos"] = "Moderado"
    elif dy > 0:
        score += 3
        detalhes["dividendos"] = "Baixo"
    else:
        detalhes["dividendos"] = "Sem dividendos"
    
    return {
        "score_total": score,
        "classificacao": classificar_score(score),
        "detalhes": detalhes
    }

def classificar_score(score):
    if score >= 80:
        return "⭐⭐⭐⭐⭐ Excelente"
    elif score >= 60:
        return "⭐⭐⭐⭐ Muito Bom"
    elif score >= 40:
        return "⭐⭐⭐ Regular"
    elif score >= 20:
        return "⭐⭐ Fraco"
    else:
        return "⭐ Crítico"

def analisar_evolucao_multiplos(ticker, periodos=20):
    """
    Analisa evolução histórica de múltiplos
    """
    url = f"{BASE_URL}/quote/{ticker}"
    params = {
        "range": "5y",
        "interval": "1mo",
        "fundamental": "true"
    }
    headers = {"Authorization": f"Bearer {API_TOKEN}"}
    
    response = requests.get(url, params=params, headers=headers)
    
    if response.status_code == 200:
        dados = response.json()["results"][0]
        historico = dados.get("historicalDataPrice", [])
        
        # Análise de preço
        precos = [h["close"] for h in historico[-periodos:]]
        preco_atual = precos[-1] if precos else 0
        preco_medio = sum(precos) / len(precos) if precos else 0
        
        return {
            "ticker": ticker,
            "preco_atual": preco_atual,
            "preco_medio_periodo": round(preco_medio, 2),
            "vs_media": round(((preco_atual / preco_medio) - 1) * 100, 2),
            "minima_periodo": min(precos) if precos else 0,
            "maxima_periodo": max(precos) if precos else 0
        }
    return None

# Analisar principais varejistas
for ticker in ["LREN3", "ARZZ3", "MGLU3"]:
    analise = analisar_evolucao_multiplos(ticker)
    if analise:
        print(f"\n{ticker}:")
        print(f"  Preço atual: R$ {analise['preco_atual']}")
        print(f"  Média 20 meses: R$ {analise['preco_medio_periodo']}")
        print(f"  vs Média: {analise['vs_media']}%")

IMPACTO DA SELIC NO VAREJO

Selic Alta (>10%)
├── Crédito mais caro → Menos vendas a prazo
├── Custo da dívida aumenta → Lucro cai
├── Consumidor poupa mais → Menos consumo
└── Ações do setor despencam

Selic Baixa (<8%)
├── Crédito barato → Boom de vendas a prazo
├── Custo da dívida cai → Lucro aumenta
├── Consumidor gasta mais → Mais consumo
└── Ações do setor valorizam

def avaliar_risco_execucao(dados_empresa):
    """
    Avalia riscos operacionais específicos do varejo
    """
    riscos = []
    
    # Integração de aquisições
    if dados_empresa.get("aquisicoes_recentes", 0) > 2:
        riscos.append({
            "tipo": "Integração",
            "nivel": "Alto",
            "descricao": "Múltiplas aquisições para integrar"
        })
    
    # Transformação digital
    if dados_empresa.get("ecommerce_share", 0) < 20:
        riscos.append({
            "tipo": "Digital",
            "nivel": "Médio",
            "descricao": "Baixa penetração de e-commerce"
        })
    
    # Concentração de receita
    if dados_empresa.get("top_categoria_share", 0) > 60:
        riscos.append({
            "tipo": "Concentração",
            "nivel": "Médio",
            "descricao": "Alta dependência de uma categoria"
        })
    
    return riscos

def filtrar_quality_value_varejo(lista_empresas):
    """
    Filtra varejistas com qualidade a preços atrativos
    """
    candidatas = []
    
    for empresa in lista_empresas:
        roe = empresa.get("returnOnEquity", 0) or 0
        pl = empresa.get("priceEarnings", 0) or 0
        divida = empresa.get("debtToEquity", 0) or 0
        margem = empresa.get("netMargin", 0) or 0
        
        # Critérios Quality + Value
        if (roe > 15 and 
            0 < pl < 20 and 
            divida < 1.5 and 
            margem > 5):
            candidatas.append({
                "ticker": empresa.get("symbol"),
                "roe": roe,
                "pl": pl,
                "divida_pl": divida,
                "margem": margem
            })
    
    return sorted(candidatas, key=lambda x: x["roe"], reverse=True)

def identificar_turnaround(lista_empresas):
    """
    Identifica candidatas a turnaround no varejo
    """
    candidatas = []
    
    for empresa in lista_empresas:
        pvp = empresa.get("priceToBook", 0) or 0
        preco = empresa.get("regularMarketPrice", 0) or 0
        
        # Critérios: Muito barata, mas com operação existente
        if (pvp < 0.5 and preco > 0):
            candidatas.append({
                "ticker": empresa.get("symbol"),
                "pvp": pvp,
                "preco": preco,
                "potencial_upside": round((1/pvp - 1) * 100, 0)
            })
    
    return candidatas

def gerar_relatorio_setor_varejo():
    """
    Gera relatório completo do setor de varejo
    """
    tickers = ["MGLU3", "BHIA3", "LREN3", "ARZZ3", "SOMA3", 
               "CEAB3", "CRFB3", "ASAI3", "RADL3", "PNVL3"]
    
    url = f"{BASE_URL}/quote/{','.join(tickers)}"
    params = {"fundamental": "true"}
    headers = {"Authorization": f"Bearer {API_TOKEN}"}
    
    response = requests.get(url, params=params, headers=headers)
    
    if response.status_code != 200:
        return "Erro ao obter dados"
    
    dados = response.json()["results"]
    
    # Análise consolidada
    relatorio = {
        "data": datetime.now().strftime("%Y-%m-%d %H:%M"),
        "total_empresas": len(dados),
        "empresas_lucrativas": sum(1 for d in dados if (d.get("netIncome") or 0) > 0),
        "media_pl_setor": calcular_media([d.get("priceEarnings") for d in dados]),
        "media_roe_setor": calcular_media([d.get("returnOnEquity") for d in dados]),
        "destaques": [],
        "alertas": []
    }
    
    for empresa in dados:
        roe = empresa.get("returnOnEquity", 0) or 0
        margem = empresa.get("netMargin", 0) or 0
        
        if roe > 15 and margem > 5:
            relatorio["destaques"].append(empresa.get("symbol"))
        
        if roe < 0 or margem < -5:
            relatorio["alertas"].append(empresa.get("symbol"))
    
    return relatorio

def calcular_media(lista):
    numeros = [x for x in lista if x is not None and x > 0]
    return round(sum(numeros) / len(numeros), 2) if numeros else 0