A Precificação dinâmica e inteligente vem se tornando cada vez mais importante para os setores da indústria que caminham rumo a personalização em massa de produtos e serviços, como já falamos neste outro artigo: A Indústria 4.0 na visão da Aquarela.
No Brasil, diversas indústrias, comércios e serviços já utilizam estratégias e soluções de precificação dinâmica; os mais avançados utilizam Inteligência Artificial (I.A) para otimizar ainda mais a escolha dos preços das transições com alto grau de complexidade.
Vamos apresentar pontos importantes do tema de precificação no ponto de vista de data analytics (O que é Data Analytics?), nos seus diferentes níveis de maturidade e na definição das estratégias utilizando o caso de Londres para melhorar a didática do texto.
Tipos de precificação
A precificação é um tema onipresente em negócios, sendo recorrentemente discutido nas áreas de contabilidade e finanças, onde se busca constantemente responder às seguintes perguntas:
- Como definir o preço de um produto e/ou serviço de modo que faça sentido tanto para o vendedor como para o comprador?
- Como obter o melhor rendimento financeiro em médio longo prazo por cliente?
- Como trabalhar as margens e o mix de produtos de modo que o ganho geral seja alavancado?
Abaixo apresentamos um resumo dos conceitos.
| Preço fixo | Preço dinâmico | Preço inteligente | |
| Definição | O preço é único para todos os consumidores, independente da situação. | O preço dinâmico é uma personalização do valor pré-fixado, ajustado ao contexto da transação. | A definição do preço é feita com base nas características (padrões) dos consumidores, além de levar em conta o contexto em que a transação foi efetuada. |
| Exemplos | Toda e qualquer passagem no sistema será sempre R$ 5,19 com reajuste anual de x%. Exemplo:Transporte em cidades pequenas. | Para a situação “A” o valor é R$ 3,25. Já para a situação “B” o preço é R$5,85. E assim por diante. Ou seja, um valor para cada caso. Exemplo: Sistemas Integrados de Transporte. | Considerando o clima, padrões da demanda, sazonalidades, perfil do passageiro e eventos acontecendo na região o valor pode flutuar entre “A” será R$ 5 a R$10 e B de R$ 8 a R$10. Exemplo: Uber e passagens aéreas. |
Qual o preço mais justo para uma passagem?
Se a resposta for de um morador de Londres, ele dirá: depende!
Então é aqui que começamos o estudo das precificação fixa, dinâmica e dinâmica inteligente.
Sistema de transporte londrino
Escolhemos como exemplo o sistema de transporte de Londres, que integra trens, metrô e ônibus e gera valores diferentes dependendo da escolha do usuário, da hora do dia e diversos outros fatores. Um ótimo estudo de caso dos elementos de uma precificação dinâmica.
A cidade de Londres é uma das maiores da Europa, e um dos maiores centros financeiros do mundo. Atualmente conta com uma população de aproximadamente 8 milhões de habitantes (1 milhão e meio a mais do que o estado de Santa Catarina). A maioria dos londrinos usa um cartão chamado de Oyster para pagar todas das despesas, inclusive transporte público. Com ele é possível usar o metrô, trem, ônibus, Vlts (Veículo Leve sobre Trilhos), submarinos, jet skis e carros drones. Bem, os últimos ainda não.
Cultura de dados
Um bom processo de precificação obrigatoriamente necessita de um bom nível de maturidade de dados que reflete trabalhos visionários em longo prazo. Abaixo cito alguns dos principais movimentos, que ajudam a explicar o nível de maturidade da Inglaterra.
- Aquele país já possui uma longa tradição nas ciências naturais e na estatística, tanto que os relógios do mundo sincronizam com a hora zero associada ao bairro londrino de Greenwich.
- A enfermeira inglesa Florence Nightingale revolucionou a estratégia das guerras e a saúde mundial com o uso da estatística a partir da guerra da Crimeia (1853-1856) quando criou o diagrama da rosa.
- Durante a segunda guerra, os matemáticos ingleses conseguiram decifrar os códigos criptografados pela Alemanha utilizando Inteligência Artificial como descrito no filme O jogo da imitação.
- Ainda, na época do Titanic (1912), os ingleses catalogaram todos os passageiros de tal forma que hoje este conjunto de dados é um dos mais conhecidos na área de machine learning (Aprendendo com o desastre do titanic).
Desafios geográficos e outros
Como melhorar o transporte de uma cidade milenar, sem remover quarteirões e construções, e ainda suportar de modo eficiente eventos de grande escala, como os jogos olímpicos, com uso de tecnologia e técnicas de precificação?
Na figura a seguir, está o mapa das ruas da cidade a partir do google maps só para se ter uma noção do quão retalhada é a cidade. O Mapa a seguir dá uma noção do quão complexa é a malha viária da cidade de Londres
A evolução do sistema de precificação
Antigamente as passagens para viagens de trem na Grande Londres eram compradas em uma base “ponto a ponto” entre duas estações, como um bilhete único, de retorno ou de temporada; e foram precificados de acordo com a distância percorrida (precificação fixa).
Durante o início dos anos 80, o Executivo de Transportes de Londres (literalmente o Senhor dos Anéis), fez uma série de revisões das tarifas para então criar os anéis (zonas tarifárias) com o objetivo de simplificar as tarifas e agilizar o processo de compra e uso dos bilhetes.
Os ônibus vermelhos utilizam preço fixo através de todos os anéis, e o usuário pode pegar qualquer veículo durante um espaço determinado de tempo. A cidade foi dividida em zonas de ônibus onde as tarifas simples eram aplicadas. No metrô, a área que hoje é a zona 1 foi dividida em duas áreas sobrepostas, chamadas City e West End.
No gráfico abaixo temos a divisão das zonas em camadas que permitem uma cobrança diferenciada do usuário. Se o usuário trafega da zona 5 para 6 então o preço é x.
Estas mudanças trouxeram mais flexibilidade para os usuários gerando maior dinamicidade no transporte. Com a integração dos bancos de dados dos diversos modais, o usuário ainda pode optar por trocar o seu tempo por dinheiro ao escolher uma forma mais barata só que mais lenta de se locomover.
Tanto o sistema de transporte como o usuário podem trabalhar visando a otimização de seus recursos.
Origem das regras de definição de pesos de precificação
As regras e os pesos de ponderação dos preços podem se originar de diversas fontes, desde a experiência dos gestores com conhecimento tácito do negócio até de algoritmos de Inteligência Artificial que podem reconhecer padrões até então não conhecidos pela gestão. O importante é que nenhum sobrepõe o outro totalmente.
Abaixo mostramos uma tabela que compara algumas das diferentes abordagens com seus devidos prós e contras.
| Positivos | Negativos | |
| Experiência do time de gestão | A experiência dos gestores trás um conjunto de regras muito rico dependendo da vivência de cada pessoa com o processo em questão e são normalmente baseados em dados de relatórios contábeis e financeiros estáticos. | O conhecimento tácito das regras de precificação pode ser difícil de replicar dependendo do contexto da precificação. Não permite um alto grau de personalização e automação do processo de precificação. |
| Machine Learning / Modelagem estatística | As regras de comportamentos de preço são gerados a partir de inferências estatísticas e aprendizado de máquina de um número muito grande de perfis e contextos, permitindo recomendações de preço personalizadas. | A análise de treinamento das bases demanda profissionais qualificados com boa noção de estatística e fundamentalmente conhecimento sobre o negócio em que será aplicado o modelo. Também, modelos mal treinados podem gerar preços incoerentes e replicar comportamentos do passado que são indesejados. |
| Benchmarking de mercado | Permite nivelar as melhores práticas do mercado em questão que variam desde diferenciação de valores como também regras de segmentação de valores. | Podem não trazer o racional que define preço do produto ou serviço. |
Técnicas de analytics
A área de análises avançadas de dados (Data Analytics) é muito rica em técnicas e tecnologias criadas especificamente para detectar padrões em grandes massas de dados, e assim auxiliar os gestões nos testes das abordagens de precificação.
Para a questão do transporte, as georeferências são muito importantes para avaliar os fluxos dos usuários dos sistemas, e até resultados obtidos ao longo do tempo de novas políticas de precificação.
Abaixo, os cientistas britânicos elaboram um gráfico de calor (heat map) mostrando a intensidade de usuários nos diversos pontos da cidade, onde as linhas brancas mostram o espaço que uma pessoa pode se transportar a cada 10 minutos no horário de pico. Sem dúvida uma análise muito rica e alinhada ao contexto.
Um dos pontos mais importantes das equipes de precificação é o tamanho, qualidade, acurácia e precisão do arcabouço de técnicas de analytics para mensuração e acompanhamento dos resultados.
Como são os preços atualmente?
Com a integração dos sistemas de precificação é possível digitalizar também a consulta dos valores pelos usuários. Abaixo está o preço gerado pelo sistema após informar os pontos A, B e o perfil do usuário (estudante, aposentado e etc).
Vemos que existe um incentivo financeiro relevante para que os usuários utilizem o cartão “Oyster” ao invés do dinheiro. Além disso, as combinações proporcionadas para cada fluxo entre as diferentes zonas aumentam a complexidade da gestão dos fluxos, já que cada usuário pode utilizar o sistema de um modo particular.
A Aquarela é pioneira na aplicação de Inteligência Artificial no mercado brasileiro, oferecendo soluções que vão desde a concepção até comercialização e distribuição de produtos e serviços em larga escala. Acompanhe a Aquarela nessa revolução da indústria.
Resultados da gestão e dos usuários
Segundo a pesquisa trimestral realizada pela prefeitura, os usuários têm demonstrado uma maior satisfação da qualidade dos serviços. Na tabela abaixo, quanto mais intenso a cor verde maior é o índice de satisfação dos clientes.
Em relação ao tempo médio da compra dos tickets também vemos uma considerável melhora dos serviços ao longo do tempo. Quando mais intenso a cor vermelha na tabela, maior o tempo de espera.
Conclusões da precificação dinâmica
Como vimos, existem diversos tipos de precificação, tais como a base fixa, dinâmica e a inteligente, que utiliza a Inteligência Artificial e que tem um impacto bastante relevante na transformação digital da indústria e dos serviços. Assim:
A complexidade dos projetos de precificação pode variar conforme a cultura de dados e estratégia comercial de cada organização.
Atualmente, os sistemas de e-commerce são os que mais utilizam as técnicas de precificação inteligente, pelo fato de serem soluções já nascidas no mundo digital.
Em Londres, a transformação digital do sistema precificação só ocorreu graças a uma base histórica robusta de projetos analíticos (boa coleta e integração de dados).
Hoje Londres possui um sistema de precificação dinâmica de transporte que privilegia a mobilidade, e com altos níveis de liberdade dos usuários, ao mesmo tempo que pode cobrir os custos da operação dos trens.
Com a popularização de sistemas de informação coletando dados em vários setores da economia, como na indústria, comércio e serviços – (14 setores para análise de dados), teremos cada vez mais insumos para a construção de sistemas de precificação que respondem em tempo real de forma cada vez mais inteligente.
A Inteligência Artificial da plataforma Aquarela Vorteris hoje já nos permite chegar a modelos de precificação com base em estimativas de acontecimentos futuros, e mais personalizados do que a precificação puramente dinâmica.
Acreditamos que sempre haverá demanda para profissionais de tecnologia, matemática, estatística e outros para trabalhar nas parametrizações (leis, climas, tempos, distâncias e etc) de projetos de precificação e previsão de demanda nos diversos setores econômicos. É um novo e amplo campo de trabalho para mentes inquietas.
Quem é a Aquarela Analytics?
A Aquarela Analytics é vencedora do Prêmio CNI de Inovação e referência nacional na aplicação de Inteligência Artificial corporativa na indústria e em grandes empresas. Por meio da plataforma Vorteris, da metodologia DCM e o Canvas Analítico (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania, Mercedes-Benz, Grupo Randon (automotivo), SolarBR Coca-Cola (varejo alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Auren, SPIC Brasil (energia), Telefônica Vivo (telecomunicações), dentre outros.
Acompanhe os novos conteúdos da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal!
Autores
Fundador e Diretor Comercial da Aquarela, Mestre em Business Information Technology com especialização em logística – Universiteit Twente – Holanda. Escritor e palestrante na área de Ciência e Governança de Dados para indústria e serviços 4.0.
Experiência construindo sistemas de tomada de decisão para negócios utilizando machine learning, econometria e análise de dados. Graduado em Ciências Econômicas pela UDESC/ESAG.
Bacharel em Administração. Especialista em Design Thinking. Estrategista de negócios Data & Design driven.
3 Comments
Interessante… mas tenho duas críticas:
Primeiramente, o caso de Londres não se aplica a uma precificação dinâmica. Trata-se apenas de uma precificação fragmentada ou segmentada, pois os valores ali são fixos e não variam.
É como se fosse um teatro, por exemplo, que divide os preços em meia, inteira e por sessão (camarote, pista, cadeiras, etc). Aliás, se este teatro utilizar a regra da antecedência, teria mais característica de dinamismo do que o caso descrito no artigo, apesar de ainda não o ser.
Outro ponto é que ele mostra que a I.A. (ou precificação inteligente) é algo novo, mas eu mesmo já trabalho com isso há mais de 20 anos.
Oi Francisco,
Obrigado pelo comentário. É uma reflexão interessante.
No primeiro caso, por questões da lei, as passagens são obrigadas a serem fixas, porém dependendo do contexto elas variam (de forma pré-fixada) e isso implica na necessidade de sistemas que dinamizam o cálculo para permitir que todos os segmentos sejam atendidos de maneira rápida e sem erros já que o valor dos trechos podem variar ao longo dos horários no dia a estação que a pessoa decide sair.
Com relação ao segundo comentário, é absolutamente verdade que a inteligência artificial não é algo novo (muito bem pontuado). Por exemplo o K-means (algoritmo de clusterização) já tem mais de 50 anos. Fizemos uma pesquisa no mercado nacional sobre os níveis de maturidade de dados e uma das conclusões é que a grande massa das empresas(grande porte) chegou ao nível de dados estruturados para análises de BI (Business Intelligence). As iniciativas de machine learning implantados nos sistemas transacionais (ERPs e CRMs) ainda podem ser consideradas atípicas e estamos trabalhando com profissionais que assim como você já metem a mão na massa para mudar esse cenário.
Realmente. Infelizmente, apesar de não ser novo, no Brasil parece ser algo ainda utópico. Uma pena. Ainda estamos bem aquém de onde poderíamos estar.. Principalmente porque temos excelentes mentes nas corporações. Basta receberem alguma luz para enxergarem além.
Com relação ao primeiro caso, eu considero como dinamismo a alteração do preço contínuo e no caso do metrô de Londres – para quem já passou algum tempo lá sabe – pode passar meses sem nenhuma alteração. Mas entendi também o seu ponto de vista. De qualquer forma, é bem inteligente.
Não sei se é de seu conhecimento (talvez não) Tivemos um exemplo parecido no Brasil. No Rio de Janeiro, há algumas décadas, funcionava um método semelhante no sistema de transporte coletivo urbano (apenas nos ônibus). Também havia zonas. Era controlado com fichas de cores e/ou formatos diferentes para cada distância percorrida … se o passageiros percorresse uma distância dentro de uma mesma zona, o preço era $X se ultrapassasse aquela zona pagava $X + $Y e assim por diante. Mas cada preço daqueles só variava anualmente ou quando havia reajustes dados pelo governo de acordo com a necessidade. Não sei porque extinguiram este método. Eram cobrados tarifas mais justas e fazia com que as pessoas pegassem mais ônibus para as curtas distâncias.