Usar o aprendizado de máquina para otimizar preços traz vantagens como a velocidade, a precisão e a automação do trabalho e possibilita uma vantagem competitiva muito grande, podendo ser utilizado em diversos segmentos online e mesmo físicos, como o varejo.
Definir o Pricing de um produto, serviço ou solução é um desafio para muitas empresas em qualquer lugar do mundo. Existem inúmeras estratégicas de precificação que podem ser adotadas a partir de objetivos como maximizar as margens de lucro, aumentar a participação de mercado, abrir um novo mercado consumidor, aumentar o número de vendas, entre outros. Uma prática que agrega vantagens para os negócios é aperfeiçoar a precificação utilizando Machine Learning.
As práticas mais modernas desta área apontam para algoritmos de preços dinâmicos, principalmente ligados ao crescimento do comércio online, que permite trabalhar com grandes volumes dedados e a possibilidade de alterar preços de forma rápida e eficiente, muitas vezes em tempo real.
As empresas do varejo, sejam online ou física, enfrentam questões importantes relacionados ao preço de seus produtos, principalmente pela facilidade do público em pesquisar opções na Internet, utilizar plataformas colaborativas e ferramentas de comparação de preços. Assim, a concorrência, posicionamento de mercado e custos de produção e distribuição são fundamentais para tomar a decisão certa quanto ao Pricing.
Nesse contexto, o Machine Learning pode ajudar bastante graças aos algoritmos que aprendem padrões a partir de dados, integrando novas informações de forma contínua e detectando tendências e novas demandas de forma rápida. É uma estratégia que deve ser entendida como um processo de evolução contínua, pois o comportamento do consumidor e o ambiente competitivo ao redor também estão em constante modificação.
Como Machine Learning pode ajudar
Para rodar um projeto de Machine Learning no varejo, por exemplo, o sistema precisa levar em consideração uma quantidade de dados variáveis importantes para o negócio, como clima do tempo, estação do ano, datas comemorativas, feriados, eventos especiais, variáveis macroeconômicas, custos operacionais, dados de consumo da operação, perfil dos clientes, etc.
Assim, conseguirá desenvolver algoritmos preditivos que podem sugerir, por exemplo, a definição de preço inicial, o melhor preço a ser praticado, preço com desconto e preço promocional, possibilitando a adoção de estratégias mais assertivas para atingir os KPIs.
Algoritmo de Machine Learning utilizando diferentes fontes de dados para encontrar os melhores preços. Imagem retirada de Tryo Labs
Se um comércio eletrônico ou físico decide estimar os preços dos seus produtos para a próxima temporada com base em seus concorrentes. O desenvolvimento de uma solução de aprendizado de máquina para este caso passa por algumas etapas.
A primeira parte é de vital importância: reunir os dados para treinar os modelos de Aprendizado de Máquina. Os dados podem ser estruturados ou não-estruturados, como dados transacionais de venda de produtos, informações de descrição e detalhes de produtos, promoções e campanhas anteriores, preços da concorrência, dados de estoque e até informações de localização da loja física podem entrar aqui.
Depois é definir as metas. Qual será o objetivo do projeto: maximização do lucro, atrair um novo segmento de clientes como o público jovem, aumentar o ticket médio de compra dos atuais clientes cadastrados, entre outros.
A etapa seguinte é a do treinamento dos modelos de Machine Learning para otimização de preço. A regressão logística é amplamente utilizada, mas se houver grandes volumes de dados é possível utilizar Deep Learning.
Com o modelo treinado, é possível estimar e testar os preços dos novos produtos, que podem ser um preço exato ou contemplar uma faixa de preço, entre R$ 100,00 e R$ 110,00, por exemplo.
As vantagens
Usar o aprendizado de máquina para otimizar preços tem vantagens como a velocidade, a precisão e a automação do trabalho, pois é possível utilizar um grande número de produtos, otimizar preços amplamente e usar critérios refinados baseado em múltiplas fontes e canais de dados, o que seria muito penoso fazer manualmente ou mesmo utilizando um software básico. Além de modificar os KPIs e ver imediatamente como os modelos recalculam os preços para as novas metas e ainda ter novos dados quase em tempo real, rastreando a Internet e as mídias sociais para coletar informações como os preços dos concorrentes ou comentários de clientes.
Um sistema que pode aprender a maior parte do que está acontecendo no mercado permite que os varejistas tenham mais informações disponíveis para tomar melhores decisões. Em um caso real, um grande varejista de viagens, com mais de 400 lojas ao redor do mundo e 160 milhões de clientes por ano aumentou a margem bruta em 28% realizando mudanças semanais de preços somente nos pontos físicos.
Já empresas como Michael Kors e Ralph Lauren usam a tecnologia para gerenciar melhor o estoque com o objetivo de aumentar as margens de lucro. No e-commerce, a Amazon é amplamente conhecida por utilizar estratégias de precificação com Machine Learning. O AirBnB oferece uma ferramenta de preços dinâmica aos anfitriões, considerando parâmetros como sazonalidade, dia da semana ou eventos especiais, e também fatores mais sofisticados como fotos do imóvel a ser alugado ou os preços praticados na vizinhança.
Outro caso que podemos destacar é o da Uber, que depende amplamente do aprendizado de máquina para estabelecer um sistema de preços dinâmico muito sensível a elementos externos, como notícias globais, clima, dados históricos, feriados, eventos locais, horário, trânsito, região da cidade, etc.
Case da Ilumeo sobre Pricing
Um dos cases da Ilumeo é com a companhia aérea Latam, cujo desafio era adequar a lógica de pricing das promoções de acordo com a percepção de valor do consumidor, não se baseando somente ao histórico ou custos. Assim, a equipe recorreu à técnica experimental para mensuração de preço justo e preço máximo, com controle de variáveis para avaliar o peso das variáveis da oferta como Destino, uso de pontos Multiplus, prazo de pagamento e canal de vendas. Após análises estatísticas multivariadas, foi criado um novo algoritmo para otimizar as vendas, entregue em um simulador com data visualization para os gestores operarem no dia-a-dia.
Empresas de diversos setores estão melhorando sua performance com a utilização de estratégias de preços baseados em dados e Aprendizado de Máquina. Elas trazem agilidade, precisão e automatização eu um nível avançado que permite testar diferentes hipóteses, com a precificação respondendo melhor aos anseios dos consumidores e acompanhando seu comportamento de compra.
Quer otimizar as estratégias de pricing da sua empresa? Converse com um de nossos especialistas e entenda como a ILUMEO pode solucionar os seus desafios.
