logo
Top

Otimização como aliada na estratégia de precificação

* Volnei dos Santos

 

Imagine uma operação industrial de 100 anos atrás: essencialmente, consistia na aquisição de matéria-prima, transformação fabril para produção do produto acabado, distribuição e venda aos públicos de interesse. O preço final era calculado de forma totalmente empírica e manual, a partir da soma dos custos dos componentes utilizados ao longo do processo, da mão de obra e da determinação de um lucro desejado.

Esta dinâmica evoluiu bastante ao longo deste século, com o avanço de teorias econômicas para definição de preços. Nas últimas duas décadas, com a ascensão de tecnologias de ciência de dados, disseminou-se a combinação de fatos, grandes massas de dados e inteligência de mercado para criação de uma estratégia de preços mais assertiva.

Fundamental ao sucesso de um produto ou serviço no mercado, a precificação deve ser pautada tanto nos objetivos da empresa quanto na reação dos consumidores diante do preço definido. Começa com a definição da alta direção sobre a estratégia corporativa: a intenção da empresa é expandir um novo mercado? Melhorar o market share? Aumentar a margem de lucro? Estes pontos são primordiais para embasar a precificação e representar a estratégia da empresa no mercado.

 

Tecnologias como aliadas

Em um ambiente de negócios altamente competitivo, dinâmico e complexo, definir uma precificação sem suporte de tecnologia pode ser muito difícil, senão impossível. Baixas margens de lucro, pressões competitivas e concorrentes fortes dão pouco espaço a erros e empirismos, ao passo que é vital responder aos movimentos de mercado e tomar decisões de negócios rapidamente.

Com a evolução da nova economia baseada em tecnologia, dados e mobilidade, métodos analíticos avançados e machine learning viabilizam a implementação de otimização para a formação de preços, partindo da estratégia corporativa para o estabelecimento de regras de precificação. Nesta dinâmica, diversos fatores são considerados, como preço base, concorrência, descontos, análise de mercado, entre outros, para composição de precificação – e tem sido empregada por segmentos como aviação, hotelaria, locação de automóveis, vendas online e outros.

Assim como em outras áreas de aplicação de advanced analytics, na otimização de preços os algoritmos não são desenvolvidos simplesmente para automatizar um processo. São aplicados para estruturar uma dinâmica que embase, de maneira analítica, a tomada de decisão de preços, observando padrões e restrições muitas vezes imperceptíveis ao olhar humano.

Outra possibilidade que avança junto ao cenário de transformação digital é a de preços dinâmicos, estratégia na qual o preço pode ser alterado dinamicamente, respondendo, por exemplo, à demanda do mercado naquele momento. Nestes casos, o apoio de algoritmos é fundamental – seja para ajudar a definir os fatores dinâmicos de preços ou para entender o impacto no comportamento dos clientes.

Aplicativos de transporte, por exemplo, são casos atuais e emblemáticos de como uma estratégia de precificação dinâmica pode ser aplicada para otimização dos preços de serviços. A Uber é conhecida por utilizar intensamente Data Science e Machine Learning em seus processos e possui uma estrutura gigantesca de cientistas de dados em prol de seus objetivos,

 

Riscos de não evoluir

Ao não embasar analiticamente as tomadas de decisão relacionadas à precificação, é comum incorrer em erros de julgamento e, consequentemente, na execução da estratégia corporativa almejada. Uma definição equivocada – seja para mais ou para menos – pode ser fatal para a implantação da otimização de preços.

Outro risco é a demora a se perceber uma mudança de comportamento de mercado – situação em que bons algoritmos contribuem enormemente – e seguir premissas antigas que não valem mais, comprometendo a estratégia de negócio.

 

 

 

Benefícios da adoção do Machine Learning na precificação

Empresas de diversos segmentos podem se beneficiar da precisão e agilidade decorrentes da adoção de técnicas de machine learning na otimização de preços. Para que funcione devidamente, no entanto, é essencial contar não só com uma estratégia bem definida, como também com um grande volume de dados. Tanto dados internos, como o histórico de vendas, quanto externos, como previsão de demanda, sazonalidades, preços dos concorrentes e, até mesmo, condições meteorológicas.

Como resultado, os benefícios se traduzem em:

  • Melhor capacidade de percepção de padrões não óbvios no comportamento dos consumidores diante da precificação, podendo, inclusive, fragmentar a análise
    para um nível de produto vs consumidor;
  • Antecipação de identificação de problemas nos preços que poderiam trazer prejuízos às vendas, antes deles se materializarem de maneira irreversível;
  • Identificação de regiões ou grupos de consumidores para os quais as estratégias de preços são mais efetivas;
  • Reconhecimento de grupos de produtos que devem ter preços similares, de acordo com a predisposição do mercado em adquirir tal produto.
  • Determinação do “willingness to pay” e geração de insightssobre como os produtos se relacionam com os consumidores, auxiliando na orientação da estratégia de preços para produtos inéditos.

Como implementar?

Muito se ouve falar, os benefícios são evidentes, mas na hora de incorporar novas formas de trabalho e evoluir processos antigos, é comum que empresas tenham dúvidas sobre como fazer. Uma ótima alternativa é contar com um parceiro experiente em soluções analíticas para diferentes estratégias de precificação, desde precificação por markup – modelo que sistematiza regras, sem algoritmos sofisticados, mas embasado em comportamentos medidos analiticamente – até precificação dinâmica, com desenvolvimento de algoritmos de machine learning.

A partir daí os passos essenciais para criação de algoritmos seguem as etapas típicas de empreitadas em Data Science que são:

 

  1. Discussão sobre uma ideia e alinhamento da pergunta fundamental: qual decisão o algoritmo deve suportar?;
  2. Exploração dos dados existentes para medir o potencial dos algoritmos em responder à(s) pergunta(s) fundamental(is), ou se será necessária a coleta e/ou aquisição de novos dados;
  3. Modelagem dos algoritmos e geração dos primeiros resultados/insights;
  4. Operacionalização dos algoritmos, para que estes estejam inseridos no ambiente computacional da empresa da forma mais automatizada possível;
  5. Monitoramento e medição dos ganhos, rumo a um processo contínuo.

 

 

 

 

Se, por exemplo, o objetivo da sua empresa é aumentar os lucros, você já parou para pensar sobre como definir uma política de preço capaz de maximizar as margens e que, ao mesmo tempo, não gere perda de receita? Para uma estratégia de precificação moderna e competitiva, não basta apenas olhar para o histórico ou contar com o feeling. É fundamental entender os objetivos estratégicos do negócio e adotar uma visão holística do produto e mercado, reunindo dados de diferentes fontes.

Com a UniSoma você pode se beneficiar um time de ponta e uma estrutura de Data Science completa para resolver seus desafios de negócio e estabelecer uma estratégia de pricing cada vez mais assertiva.

 

 

*Volnei dos Santos é Engenheiro de Computação, formado pela Unicamp, e diretor Técnico e de Operações da UniSoma.