Aprendizados sobre a construção de modelos de precificação

Dada a velocidade com que tudo acontece, os preços estáticos estão perdendo espaço no e-commerce. A pergunta dos donos de lojas virtuais nos dias atuais é: como definir preços dinamicamente para competir de igual para igual com a concorrência e atrair cada vez mais clientes? Daí a necessidade da construção de modelos de precificação que possibilitem mais assertividade nessa tarefa.

Preço assertivo é aquele que proporciona boas vendas extraindo a maior rentabilidade possível de cada produto. Valores acima da média afastam clientes e derrubam o faturamento e, consequentemente, o lucro. Preços muito baixos até atraem compradores, mas também podem prejudicar as margens, fazendo o esforço de venda não valer a pena.

A resposta para encontrar o preço ideal normalmente se encontra no banco de dados do próprio varejo. Olhando para um histórico de vendas, parece bastante fácil determinar o preço que mais funcionou, ou seja, o preço que gerou o maior volume de vendas. Basta somar o número de unidades vendidas aos respectivos preços praticados. Ao identificar qual deles obteve mais resultados, há grandes chances de continuar a aplicar preços muito similares para replicar os ganhos já registrados.

No entanto, há uma variável crucial e geralmente ignorada nesse tipo de análise, que é o tempo de exposição do preço. Vejamos, num simples exemplo, como a falta dessa variável afeta a interpretação. Digamos que pelo preço de R$ 100,00 foram vendidas 100 unidades de dado produto e que pelo preço de R$ 110,00 foram vendidas 80 unidades. À primeira vista, um preço 10% maior gerou um resultado 20% menor.

Porém, se dissermos que por R$ 100,00 as 100 unidades levaram 20 dias para serem vendidas, enquanto as 80 unidades foram vendidas em 15 dias ao preço de R$ 110,00, há uma interpretação bastante diferente. Conclui-se então que com o preço de R$ 110,00, ao longo de 20 dias, há chances de aumento nas vendas na ordem de 6%.

Podemos adicionar à nossa modelagem o volume médio diário (VMD) de cada preço praticado. Para cada preço praticado, somamos as unidades vendidas e dividimos pela quantidade de dias em que o produto ficou exposto pelo preço em questão (descontamos os dias de ruptura de estoque).

Quem tem um e-commerce voltado para o varejo de moda, cuja coleção tem prazo para terminar e precisa ser vendida antes de a estação do ano terminar, sente na pele as dificuldades de aplicar uma precificação dinâmica ideal. Normalmente, fazem-se promoções pouco antes de a próxima coleção entrar, com a finalidade de reduzir ou eliminar o estoque. Mas esses descontos, caso sejam mal aplicados, podem prejudicar a margem de lucro. Uma precificação correta do início ao fim evitaria esse problema, que também afeta outras áreas, como as de medicamentos e alimentos, que têm prazo de validade ou, mesmo para produtos que não tenham validade explícita, possuem meta para giro de estoque.

A construção de modelos de precificação envolve três etapas distintas: acesso a dados históricos, tratamento desses dados e construção dos modelos matemáticos e modelos de aprendizagem. A segunda etapa é fundamental para que a estratégia de pricing seja bem-sucedida, pois é ali que se eliminam erros que possam prejudicar a correta interpretação das informações.

Entre os erros estão preços que não fazem sentido por falhas de digitação, concentração pontual de vendas por eventualidades (uma data comemorativa, por exemplo) e pedidos de teste misturados no histórico de vendas. Com dados confiáveis, entram em ação tecnologias como machine learning e inteligência artificial, que têm a capacidade de analisar o histórico e sugerir os preços mais assertivos para determinado momento ou público consumidor.

A tecnologia possibilita a recomendação de preços cada vez mais assertiva a cada transação de venda. Também permite uma melhor compreensão do comportamento de consumo, por feriado ou evento específico da própria loja, por preço, entre outras categorias que contribuem para melhorar a análise preditiva. Com o espaço de varejo mudando rapidamente, além do pricing, há oportunidades para aplicar a inteligência artificial e machine learning a fim de aprimorar ações de marketing, publicidade e até gerenciamento da cadeia de suprimentos.

Obviamente que para isso é preciso ter consciência de onde os recursos deverão ser alocados, em qual ordem problemas específicos devem ser resolvidos, seguidos por uma avaliação do tamanho do impacto que poderia resultar da implementação de algoritmos em cada área. Como essa ferramenta tem grande escopo de aplicação, requer cooperação geral para implementação adequada.

A construção de um modelo de pricing que possibilita a tomada de decisões com base nos histórico de dados, ou seja, aproveitando a própria experiência adquirida ao longo do tempo e cruzando com outras informações como as de cunho macroeconômico, pode trazer resultados imediatos e muito positivos. Para dar início, basta responder a uma simples pergunta: você está pronto para construir uma estratégia de pricing e otimizar seus preços? Se estiver, mãos à obra!