O advento da Internet possibilitou um crescimento exponencial na quantidade de dados gerados, de tal modo que atualmente geramos 2,5 quintilhões de bytes diariamente. Tal volume de informação é um mar de oportunidades para as empresas conhecerem melhor seus consumidores e públicos alvos. Por exemplo, a Amazon1, baseada na localização geográfica dos consumidores que buscam por produtos em seu site, envia previamente os itens mais buscados para os hubs de distribuição próximos ao local que concentrou a maior quantidade de procuras, já prevendo uma demanda por esses itens. Entretanto, a Amazon é uma exceção em relação à maioria das empresas existentes, de tal modo que ainda há muito espaço para o surgimento e crescimento de setores voltados para a Ciência de Dados em empresas de varejo. Os avanços na pesquisa e prática em Ciência de Dados vêm há muito tempo propondo e disponibilizando para uso diversas técnicas que visam explorar bancos de dados e encontrar padrões úteis e desconhecidos previamente. Dentre as diversas técnicas existentes, a que será utilizada nesse trabalho será a de aprendizado de regras de associação, sua função consiste em encontrarmos padrões de ocorrência simultânea de itens em um determinado conjunto de dados representando transações. Tal descoberta é importante, pois utilizada em um contexto de vendas pode servir como vantagem para que se ofereçam produtos de forma conjunta, por exemplo: Se o estudo apontar que martelos e pregos aparecem frequentemente juntos, é inteligente oferecer pregos sempre que um cliente compra martelos. Utilizaremos o algoritmo APRIORI, por meio do software KNIME como ferramenta para o aprendizado das regras de associação entre itens comprados em sites de varejo online que utilizam o canal de vendas Olist. Os dados relacionados a este cenário foram obtidos no portal Kaggle, um repositório de benchmarks para aplicações de descoberta de conhecimento bastante conhecido na área. A escolha por esse algoritmo se deu pois o mesmo é de uso mais frequente tanto na prática quanto na literatura voltada para aprendizado de regras de associação. Nos resultados obtidos por esse trabalho foram encontradas algumas cestas de itens frequentes. A metodologia de Ciência de Dados seguida neste trabalho, contemplando asa nálises exploratórias realizadas, o racional das decisões tomadas para limpeza e preparação dos dados, a codificação do workflow e a configuração dos cenários que compuseram o experimento para o aprendizado das regras de associação, assim como os insights desenvolvidos a partir dos resultados obtidos podem servir de inspiração para stakeholders envolvidos com cenários semelhantes, em particular em ambientes de compra e venda online varejistas, como possível forma de analisar suas informações históricas e propor estratégias para impulsionar suas vendas oferecendo de forma conjunta esses itens.