Para os varejistas digitais, a capacidade de revisar preços rapidamente e em grande escala surgiu como um diferenciador decisivo, especialmente durante períodos de inflação, quando os preços flutuam com mais frequência.
O problema
A capacidade de usar IA para mudar preços frequentemente online e em lojas físicas tornou-se crítica para competir no varejo. Mas até mesmo varejistas que construíram tais modelos computacionais adotam uma abordagem excessivamente limitada.
O que os varejistas fazem de errado
Eles tentam igualar ou reduzir os seus preços sem levar em conta se os rivais estão sem estoque ou outros fatores que influenciam as decisões de compra dos consumidores.
A solução
Construa e implemente modelos computacionais que analisem dados históricos de vendas, capturem padrões cruciais e considerem não apenas a precificação dos concorrentes, mas também a disponibilidade de produtos e o comportamento do cliente para recomendar preços ideais em tempo real.
Muitos varejistas visitam sites de concorrentes para obter informações de preços e os utilizam para definir seus próprios preços de forma manual ou automaticamente, muitas vezes usando uma estratégia de cobrar X dólares ou X por cento a menos do que o concorrente de menor preço. No entanto, varejistas que usam essas estratégias simples perdem oportunidades significativas porque não adaptam suas respostas à disponibilidade de produtos e à demanda, entre outros fatores.
Reconhecendo isso, mais varejistas estão agora aplicando modelos de aprendizado de máquina para orientar suas decisões de precificação. Os algoritmos associam mudanças de preços com mudanças de vendas, minerando ondas de dados históricos sobre compras, preços e características dos produtos.
Apesar dessa sofisticação, a pesquisa mostra que tais esforços alcançam, em média, uma melhoria nas receitas ou lucros de 1% ou menos. Ao depender de dados históricos para definir preços, por exemplo, um varejista pode desnecessariamente igualar o preço baixo de um concorrente para um item que o rival não tem em estoque. Ou pode igualar um preço baixo, mesmo que fatores além do preço sejam os principais motivadores das escolhas de compra dos clientes, como a qualidade do produto ou a reputação da marca.
Alguns varejistas descobriram uma maneira de superar esses desafios e, como resultado, alcançaram crescimento de dois dígitos em receitas e lucros. Eles mudaram de decisões manuais baseadas em vendas históricas para sistemas automatizados impulsionados por algoritmos sofisticados que consideram uma série de fatores, permitindo-lhes otimizar os preços em tempo real.
Neste artigo, descrevemos um processo passo a passo para construir um modelo de precificação impulsionado por IA que começa entendendo como os consumidores decidem o que e onde comprar, conduzindo experimentos para medir a elasticidade do preço (como a demanda por um produto é sensível ao preço), e depois aplicando ferramentas de otimização para definir preços que maximizem a receita ou o lucro.
Graças ao rápido crescimento das etiquetas eletrônicas de prateleira, nosso processo também pode ser aplicado em ambientes de varejo físico. Pode ser especialmente útil na precificação de bens perecíveis, como alimentos e moda, onde os varejistas devem ajustar dinamicamente os preços dos produtos que estão se aproximando das datas de validade para incentivar vendas mais rápidas e reduzir desperdícios.
Para ilustrar nosso processo, baseamo-nos principalmente em nossas experiências com duas empresas com as quais trabalhamos como parceiros acadêmicos. A primeira foi um varejista online chinês de bilhões de dólares que experimentou um crescimento meteórico impulsionado por um sortimento de produtos cada vez mais amplo, expansão geográfica e precificação agressiva. Posicionou-se no mercado como um comerciante de baixo preço e superou ou igualou os preços de seus concorrentes. Raspava sites de concorrentes diariamente, mas definia preços manualmente na maior parte.
A segunda foi um dos principais varejistas online dos EUA com receitas anuais de vários bilhões de dólares. Tinha uma equipe dedicada à análise de preços, e quase metade de seus produtos eram precificados algoritmicamente. Como o primeiro varejista, raspava sites de concorrentes diariamente para SKUs de movimentação rápida e semanal ou semanalm para SKUs de movimentação mais lenta.
Nota: SKU é uma sigla que vem do termo em inglês Stock Keeping Unit, ou Unidade de Manutenção de Estoque em português. O SKU é formado por um código utilizado pelos varejistas para identificarem as mercadorias armazenadas de modo rápido e simplificado.
Aqui está nosso processo de sete etapas, que você pode usar para desbloquear todo o potencial do seu próprio sistema de precificação dinâmica.
1 – Escolha seu Foco
Comece pensando em quais produtos você quer focar: os mais vendidos, os de venda média ou os produtos de cauda longa. Faça sua escolha com base em como suas vendas estão concentradas. Se você gera a maior parte de suas vendas (digamos, mais de 80% da receita total) com um punhado de produtos, comece a implementação com esses mais vendidos. Se suas vendas não são concentradas—como é o caso de varejistas de decoração para casa e mercearias, por exemplo—foque nos produtos de venda média ou de cauda longa. Em tais cenários, você precisa ter (ou estar pronto para construir) a capacidade analítica necessária para fazer precificação dinâmica para um vasto número de produtos.
Nosso trabalho com o varejista online chinês—um líder de mercado em produtos para bebês e mães, como mamadeiras, fraldas e bombas de mama—começou quando o presidente nos perguntou se sempre igualar o menor preço do concorrente era uma boa estratégia. Ele e seus executivos questionaram a necessidade de igualar os preços para cada produto vendido e seguir os movimentos dos concorrentes, mesmo quando era evidente que um rival havia cometido um erro de precificação (definindo preços muito altos ou baixos).
Antes de nos envolver, as decisões de precificação do varejista eram feitas manualmente pelos gerentes de produto, cada um supervisionando algumas dezenas de linhas de produtos. Os gerentes acompanhavam de perto as tendências de marcas e produtos relevantes, como sua popularidade entre os consumidores, as introduções de novos produtos (ou novas versões de produtos existentes), assim como os preços dos concorrentes. Os gerentes de produto determinavam então, diariamente ou semanalmente, os preços que cobrariam por cada produto. Dado que esse processo manual era extremamente demorado, eles normalmente prestavam mais atenção aos SKUs de alto volume e ajustavam os preços dos outros apenas ocasionalmente.
Começamos nosso trabalho com mamadeiras. Essa subcategoria era dominada por um punhado de produtos oferecidos por algumas marcas domésticas e internacionais. Focamos nos 30 principais SKUs, que representavam mais de 80% da receita total da subcategoria. A implementação de nosso modelo de precificação impulsionado por IA levou, em última análise, a um aumento de 11% na receita para esses mais vendidos, mantendo a margem bruta da categoria. Em seguida, focamos em várias outras categorias, como pequenos eletrodomésticos e utensílios de cozinha, onde um punhado de produtos de rápida movimentação representava a maioria da receita. Essas implementações adicionais alcançaram aumentos de receita de até 19% sem comprometer as margens de lucro.
As vendas do varejista online dos EUA—principalmente mobiliário para casa, como camas, mesas de centro, tapetes e decoração—não estavam concentradas entre alguns mais vendidos. Em cada subcategoria, a empresa carregava de algumas centenas a milhares de SKUs, e suas vendas estavam distribuídas de forma bastante uniforme entre os produtos que vendia. Antes de nos envolver, ele usava um algoritmo para precificar automaticamente cerca de metade de seus SKUs. No entanto, havia começado recentemente a raspar os sites dos concorrentes para obter seus preços e estava se perguntando como melhor responder às suas mudanças de preço. Implementamos rapidamente um sistema de resposta dinâmica de preços para mais de 10.000 produtos. Durante um período de teste de um mês, isso levou a um aumento de 15% na receita e um aumento de 10% no lucro para quatro categorias no piloto: camas, otomanas, mesas de centro e bancos de bar.
O principal trade-off na escolha do foco entre os mais vendidos ou uma ampla gama de produtos é a sofisticação do algoritmo versus a escalabilidade. Um sistema sofisticado geralmente envolve técnicas de modelagem complexas, como modelos não lineares, que são excelentes para entender as formas complicadas de como os consumidores tomam decisões e dar respostas precisas a questões de precificação. Mas esses modelos são difíceis de trabalhar quando você tem muitos SKUs. Por exemplo, um modelo linear lidando com milhares de variáveis ou SKUs pode otimizar as decisões que produz em poucos segundos; um modelo complexo pode levar dias ou semanas, mesmo com as capacidades computacionais mais avançadas.
Os varejistas podem gerenciar esse trade-off no nível da categoria: em categorias cujas vendas são dominadas por alguns produtos, você pode usar um modelo sofisticado; em categorias cujas vendas são altamente distribuídas, use um modelo escalável. Dentro de uma categoria, você pode implementar ambos os tipos de algoritmos adotando o sistema de classificação padrão ABC. (O grupo A é composto por 20% dos SKUs que representam 80% das receitas, o grupo B é composto por 30% dos SKUs que geram 15% das receitas, e o grupo C é composto por 50% dos SKUs que geram 5% das receitas). Aplique uma abordagem mais sofisticada para os itens do grupo A, que são os principais contribuintes para a receita ou lucro, e uma abordagem escalável para os grupos B e C.
2 – Construir um Modelo de Decisão do Consumidor
Antes de tomar boas decisões de precificação, é necessário entender como seus consumidores fazem suas escolhas de compra. As pessoas estão sempre tomando decisões: quais produtos comprar (mamadeiras Philips Avent versus Dr. Brown’s, mamadeiras anti-cólica versus mamadeiras regulares) e onde ou de quem comprá-los (de você ou de um de seus concorrentes).
Obviamente, o preço é uma consideração em suas decisões, mas não é a única. Outros fatores incluem qualidade do produto, disponibilidade do produto, reputação da marca, avaliações dos clientes, confiabilidade do fornecedor, conveniência de compra e a política de devolução e troca do varejista. Além disso, cada consumidor aborda as decisões de compra de maneira diferente. Alguns podem estar dispostos a pagar mais por uma marca de renome; outros podem ser caçadores de pechinchas. Isso significa que, a menos que a maioria de seus clientes esteja procurando pelo menor preço em todos os varejistas, pode não ser uma boa ideia sempre igualar os preços dos concorrentes.
No caso do varejista chinês, alimentamos um algoritmo com alguns meses de informações sobre preços e vendas dos SKUs identificados na Etapa 1, os preços dos concorrentes para os itens e dados sobre a disponibilidade de estoque de SKUs individuais para todas as empresas. O algoritmo foi capaz de determinar qual proporção de consumidores preferia comprar de cada um dos varejistas, independentemente do preço e da disponibilidade do produto. (Na nossa implementação, não tentamos descobrir o que estava impulsionando essas preferências, mas os varejistas podem usar uma abordagem semelhante para fatores além do preço e da disponibilidade do produto.)
Uma vez que você tenha uma boa noção de como seus clientes estão tomando suas decisões de compra, pode criar um modelo de decisão do consumidor, que é uma fórmula que prevê a demanda do produto dado os seus preços e os preços dos concorrentes, juntamente com outros fatores-chave, incluindo a disponibilidade do produto e as circunstâncias sob as quais os clientes estão tomando suas decisões de compra.
Por exemplo, você obterá melhores resultados de um modelo que lhe diz quantas unidades de uma cama você pode vender a $195 em uma sexta-feira à noite, quando seu concorrente a está vendendo por $200, do que de um modelo que considera apenas o preço do concorrente. Sejam simples ou complexos, todos os modelos devem fazer uma coisa: dizer como precificar seus produtos para alcançar os resultados desejados.
Usando o modelo de decisão do consumidor que desenvolvemos para o varejista chinês, executamos uma implementação que previa as vendas de cada produto mais vendido, dado os preços do varejista e de seus concorrentes. O modelo considerava características do produto, como a marca e a faixa etária pretendida para cada tipo de mamadeira e a disponibilidade do produto em cada concorrente em um determinado dia. Também considerava os preços de produtos além de mamadeiras no site, pois os clientes frequentemente navegavam por uma variedade de produtos antes de fazer uma compra. Além disso, o modelo levava em conta os dias da semana: clientes que visitavam na segunda-feira eram menos afetados pelos preços do que aqueles que visitavam no domingo.
Para o varejista online dos EUA, usamos um modelo simplificado para torná-lo mais escalável. O modelo previa as vendas de um determinado produto considerando apenas seu preço e disponibilidade, e os preços e disponibilidade do mesmo produto nos sites dos concorrentes.
Essa simplificação permitiu que o algoritmo escalasse rapidamente para milhares de produtos. Como esses dois exemplos mostram, os parâmetros do modelo podem e vão variar conforme as características do produto e do varejista. Por exemplo, a demanda por um produto com avaliações mais altas dos clientes pode ter uma elasticidade de preço mais baixa, e os consumidores podem ser mais sensíveis aos preços da Amazon do que aos da Home Depot.
3 – Experimente
Agora que você tem uma fórmula descrevendo como seus consumidores tomam decisões de compra, precisa determinar os valores dos parâmetros ajustando a fórmula aos seus dados. A variável mais importante é a elasticidade-preço: a porcentagem de mudança na demanda que resulta se você aumentar o preço de um produto em 1%. Saber a elasticidade-preço de cada um de seus produtos é crucial para definir preços de maneira inteligente. Se um produto tem baixa elasticidade (um aumento de preço resulta em muito pouca mudança na demanda), você não precisa se preocupar em acompanhar e igualar os preços dos concorrentes. Mas se seus consumidores podem ser atraídos por concorrentes que cobrem um centavo a menos, então provavelmente você terá que superar ou pelo menos igualar esse preço.
Para medir a elasticidade, você precisa variar sistematicamente os preços ao longo do tempo e ver como os consumidores reagem. Muitas pessoas omitem essa etapa na implementação da precificação algorítmica, o que as impede de obter ganhos substanciais de receita e lucro. Você pode perguntar: Por que preciso experimentar se já tenho dados históricos sobre vendas, preços e características dos produtos? Não é suficiente aprender a elasticidade-preço a partir desses dados? E um bom programa de aprendizado de máquina não deveria ser capaz de ajustar uma linha de regressão entre vendas e preço, dadas as características do produto?
A resposta a essas perguntas é “não”, por dois motivos. Os preços dos dados históricos não variam o suficiente para calcular a elasticidade-preço — ou o preço em si não variou, ou seguiu os preços dos concorrentes tão de perto que o preço relativo não variou. Outro problema com os dados históricos são os chamados confundidores, fatores que influenciam tanto o preço quanto a demanda, mas que não podem ser capturados retrospectivamente.
Suponha que um varejista conduza uma campanha de marketing local para uma marca e aumente os preços desses produtos em antecipação ao aumento da demanda. Dados históricos poderiam levar à falsa conclusão de que os preços mais altos causaram o aumento da demanda. A experimentação é a melhor maneira de evitar esses problemas.
Um motivo comum pelo qual os varejistas hesitam em realizar experimentos de preço é que eles acham que são arriscados: sentem que estão perdendo o controle de uma decisão crucial. Mas os experimentos não são arriscados se feitos corretamente.
Em nosso trabalho com os varejistas chinês e americano, conduzimos experimentos cuidadosamente para minimizar seu impacto potencial nos negócios. Na implementação focada nos produtos mais vendidos do varejista chinês, definimos um cronograma de preços para os produtos antes do início do experimento, especificando um nível de preço selecionado aleatoriamente próximo à média histórica para cada produto.
Ajustes de preço para cima e para baixo foram balanceados de forma que não houvesse desvio direcional sistemático em relação aos preços históricos. Os preços foram variados a cada três dias, em vez de diariamente, para manter a percepção e a confiança dos consumidores nos preços do varejista.
Em nosso experimento para o varejista americano, que envolveu mais de 10.000 produtos, adotamos uma abordagem diferente. Não criamos um cronograma de preços pré-definido, pois a empresa já tinha um algoritmo de precificação em vigor. Em vez disso, pegamos os preços gerados diariamente pelo algoritmo existente e adicionamos variações a eles. Os preços que escolhemos no experimento não foram sorteios aleatórios; eles foram ancorados nas recomendações de preços geradas pelo sistema de precificação existente. O experimento, assim, herdou a inteligência das práticas existentes da empresa, o que minimizou o risco, ao mesmo tempo que permitiu variação de preços suficiente para capturar as decisões dos consumidores sob pontos de preço alternativos.
Em ambas as implementações, limitamos o nível de variações de preços a cerca de 3% dos preços existentes ou históricos, e nenhuma variou mais de 5%, minimizando, assim, os riscos potenciais resultantes de grandes desvios. Os ganhos de receita e lucro de dois dígitos que alcançamos não seriam possíveis sem esses experimentos cuidadosos para medir a elasticidade-preço. Os varejistas muitas vezes se preocupam que é muito caro experimentar, mas nossos resultados mostram que é ainda mais caro não o fazer.
4 – Medição
Agora é hora de unir os dados com o modelo e as informações sobre elasticidade-preço. Seu objetivo é encontrar os melhores parâmetros que minimizam o erro quando você testa seu modelo em relação às suas vendas históricas. Tenha em mente que sempre é mais difícil prever resultados em um nível granular do que em um nível agregado. Por exemplo, as vendas diárias são mais difíceis de prever do que as vendas semanais, o que significa que um erro de previsão de 20% pode ser bom para as vendas diárias de um determinado produto, mas ruim para suas vendas semanais.
Na iniciativa com o varejista chinês, encontramos uma ampla gama de elasticidades-preço: Algumas estavam próximas de zero (mudanças de preço não tiveram impacto na demanda), mas a maioria dos produtos tinha elasticidades que variavam de -8 a -2. (Uma elasticidade de -8 significa que um aumento de 1% no preço resultará em uma queda de 8% na demanda.)
As elasticidades estavam correlacionadas com a popularidade do produto. O SKU com uma elasticidade de -8 era comprado, em média, 22,5 vezes por dia, e o SKU com demanda quase inelástica era comprado apenas 1,8 vezes por dia. Tivemos descobertas semelhantes no varejista americano, cujos itens de móveis de nicho e de baixo movimento tinham elasticidades de preço mais baixas do que os de alto movimento. Isso faz sentido. As pessoas estão mais conscientes do que é um bom preço para compras frequentes do que para produtos que compram raramente.
Em supermercados, por exemplo, os consumidores estão mais expostos e sensíveis aos preços de produtos populares que são exibidos em locais proeminentes e anunciados com frequência, como detergentes, cereais e pão, mas menos pessoas podem saber o preço justo de um tempero ou molho específico.
A variação nas elasticidades também é refletida na qualidade percebida dos produtos. Descobrimos que as mamadeiras importadas tinham elasticidades médias menores do que as mamadeiras fabricadas domesticamente, porque as mamadeiras importadas eram fabricadas por fabricantes mais conceituados.
Este passo também permitirá que você entenda quais preços e falta de estoque dos concorrentes tiveram um impacto mais significativo em suas vendas e, portanto, exigem mais monitoramento e ajuste de preços. Não surpreendentemente, em nossas duas iniciativas, nem todos os concorrentes tiveram o mesmo impacto. Dois dos quatro concorrentes rastreados pelo varejista chinês tiveram quase nenhum impacto nas vendas de mamadeiras da empresa. Dois dos cinco concorrentes rastreados pelo varejista americano tiveram o dobro do impacto dos outros.
5 – Otimizar
Agora que você preencheu seu modelo com dados, está pronto para encontrar seus melhores preços dados os preços dos concorrentes e os outros fatores mencionados acima. Um primeiro passo crítico é perguntar o que você quer otimizar: lucro, receita ou alguma combinação dos dois.
Empresas em estágio de crescimento tendem a focar mais na receita; empresas maduras focam mais no lucro.
No entanto, nenhum varejista com quem trabalhamos ou estudamos estava pronto para especificar os pesos relativos que atribuiriam à receita versus ao lucro. Descobrimos que uma maneira melhor de integrar esses objetivos é usar otimização com restrições – ou seja, alcançar o objetivo ideal dentro de certas restrições comerciais. Por exemplo, você pode definir seu objetivo para maximizar a receita sem fazer com que as margens de lucro bruto caiam abaixo de um nível especificado.
Quando trabalhamos com o varejista chinês, ele estava vendendo mamadeiras com uma margem bruta de 10%, em média. Otimizamos os preços para maximizar a receita total da categoria enquanto mantínhamos uma margem categórica de pelo menos 10%. As margens de lucro real do produto após a otimização variavam de -1% (vendido com pequena perda) a 36%, dependendo da elasticidade-preço do item. Igualamos os preços dos dois principais concorrentes para produtos com alta elasticidade de preço; geralmente não igualamos os preços com os dois concorrentes mais fracos.
Em nosso esforço com o varejista americano, também otimizamos a receita sujeita a uma restrição na margem de lucro. Os executivos do varejista gostaram dessa abordagem porque ela mantinha seus preços consistentes com o posicionamento estratégico da empresa, mas não exigia decisões adicionais a serem tomadas, como determinar pesos para lucro e receita. Em ambas as implementações, incorporamos outras restrições comerciais necessárias (por exemplo, pisos e tetos de preços ou faixas de preços impostas pelo fabricante) como parte da otimização.
6 – Testar e Implementar
Antes de lançar seu novo algoritmo de precificação, é importante testá-lo em um experimento controlado. Atribua produtos a dois grupos: o grupo de tratamento, para o qual você usará o novo algoritmo de precificação para definir os preços, e o grupo de controle, para o qual você definirá os preços da maneira antiga. O impacto do algoritmo pode então ser medido pelos resultados do grupo de tratamento em relação aos do grupo de controle.
Você pode perguntar: É realmente necessário ter um grupo de controle? O impacto não é simplesmente o aumento na receita produzido pelo novo algoritmo de precificação? O problema é que você não sabe o que teria acontecido se continuasse usando o método antigo. No varejo, esse problema “contrário aos fatos” é amplificado pelo fato de que a maioria dos produtos tende a apresentar sazonalidade.
Por exemplo, apostamos que se você implementasse seu algoritmo de precificação em dezembro e o comparasse com suas vendas em novembro, todos os algoritmos de preços gerariam melhorias de três dígitos. Ter um grupo de controle permite que você destaque o impacto das coisas que acontecem ao longo do tempo (feriados, promoções, novas tecnologias, lançamentos de novos produtos) para que você possa medir a mudança real produzida pelo novo algoritmo de precificação.
Um grupo de controle adequado consiste em produtos semelhantes em características e sazonalidade. Em nossa implementação para o varejista chinês, atribuímos mamadeiras para crianças com menos de seis meses ao grupo de tratamento e mamadeiras para crianças com mais de seis meses ao grupo de controle. Para o varejista dos EUA, atribuímos camas king size e californianas ao grupo de tratamento e camas queen, de casal e solteiro ao grupo de controle.
Além disso, rotacionamos os grupos de tratamento e controle. Na primeira semana, as camas king size eram o grupo de tratamento; na semana seguinte, as camas queen eram o tratamento; e na terceira semana, as camas de casal e solteiro eram o tratamento. Essa rotação permite que você avalie melhor o impacto do modelo de precificação na receita e filtre as diferenças entre vários produtos.
7 – Repita os passos três a seis para Melhoria Contínua
Uma vez que você implementou com sucesso um sistema de precificação dinâmica, recomendamos que o atualize periodicamente — a cada seis meses ou qualquer duração que você considere necessária dadas as dinâmicas do seu mercado. Esteja ciente das mudanças importantes no cenário competitivo (como novos entrantes, por exemplo) e no portfólio de produtos (introdução de novos produtos, por exemplo) que possam alterar as escolhas e preferências dos consumidores. Repita os passos três a seis (experimentar, medir, otimizar e implementar) para ajustar continuamente seu algoritmo.
Nossa ferramenta para definir preços dinamicamente é altamente adaptável. Você pode facilmente incorporar novas inovações neste framework analítico. Por exemplo, você poderia introduzir fatores comportamentais para capturar melhor o processo de tomada de decisão dos consumidores. Em um estudo de pesquisa em uma rede de supermercados, descobrimos que os consumidores nem sempre se deixam levar pela convenção antiga de precificar um produto em $X,99. Enquanto alguns consumidores atribuem mais peso aos dígitos à esquerda dos preços em até 30%, outros prestam atenção nos dígitos à direita do preço de um produto ($4,99 versus $5,00). Isso sugere que os varejistas precisam ser inteligentes sobre quando incorporar esse viés em seus algoritmos.
Outra maneira de adaptar a ferramenta é integrar algoritmos de aprendizado de máquina recém-desenvolvidos para melhorar continuamente a precisão das estimativas de elasticidade-preço. Trabalhando com um varejista online internacional, identificamos os produtos que cada consumidor visualizava antes de fazer uma compra. Esse processo nos permitiu medir com mais precisão como o preço de um produto pode afetar a demanda por produtos similares, aumentando assim a receita do varejista em mais 5%.
Ao unir análise de dados, metodologias experimentais e uma compreensão abrangente dos processos de tomada de decisão do consumidor, os varejistas podem gerar aumentos significativos na receita enquanto aumentam ou mantêm as margens de lucro. A essência da abordagem que descrevemos é o ciclo completo de “modelar, medir, maximizar”. Uma solução fragmentada que envolve apenas um desses passos pode alcançar melhorias menores na receita ou nos lucros de vez em quando. Mas o uso integrado de todos os três, impulsionado por ferramentas de IA, recompensará os varejistas com melhorias substanciais na receita ou nos lucros que são sustentáveis ao longo do tempo.
Fonte:
Periódico Harvard Business Review, Novembro – Dezembro de 2023
Sobre os autores:
MARSHALL FISHER é o Professor e co-diretor do Fishman-Davidson Center for Service and Operations Management na Wharton School da Universidade da Pensilvânia.
SANTIAGO GALLINO é professor associado no Departamento de Operações, Informação e Decisões da Wharton School.
JUN LI é professor associado de tecnologia e operações na Ross School of Business da Universidade de Michigan.
Estudo de caso:
A tentativa fracassada da rede de restaurantes Wendy’s nos Estados Unidos para implantar a precificação dinâmica.
O CEO da Wendy’s, Kirk Tanner, anunciou no início de 2024 que a rede de restaurantes poderia implementar a precificação dinâmica em seus restaurantes até o final de 2025.
A precificação dinâmica é um conceito familiar para qualquer pessoa que já tenha que pagar significativamente mais por uma corrida de Uber após um show ou um grande evento esportivo.
Assim como esses “preços dinâmicos”, o sistema proposto pela Wendy’s significaria que o custo de certos itens do menu do restaurante poderia flutuar para cima ou para baixo com base em vários fatores — incluindo a hora do dia ou o quão movimentado está o restaurante.
Dizer que a maioria das pessoas não gostou dessa ideia é um eufemismo: ela foi criticada nas redes sociais, ridicularizada pelos rivais de fast food e foi motivo de piada nos programas de TV noturnos. (“Um hambúrguer pode custar um dólar a mais durante o horário de almoço e US$ 40 a mais às 3 da manhã”, brincou o apresentador do Late Night, Seth Myers. “Sabemos que você quer isso!”)
Não surpreendentemente, a rede Wendy’s com sede em Ohio começou a recuar dessa ideia — e rapidamente. “Não temos planos de [aumentar os preços com base na demanda] e não aumentaríamos os preços quando nossos clientes nos visitam mais”, escreveu a Wendy’s em seu site. “Os painéis de menu digitais poderiam nos permitir alterar as ofertas de menu em diferentes momentos do dia e oferecer descontos e ofertas de valor aos nossos clientes com mais facilidade, especialmente nos horários de menor movimento”.
Em março de 2024, a Wendy’s anunciou uma nova promoção de hambúrgueres com tema de March Madness que não é explicitamente um pedido de desculpas… mas ainda parece ligeiramente como um pedido de desculpas. Durante semanas, até quarta-feira, 10 de abril de 2024, os clientes da Wendy’s puderam reivindicar um hambúrguer Dave’s Single por US$ 1 ou um Dave’s Double por US$ 2 através do aplicativo da Wendy’s.
“Como o Hambúrguer Oficial do March Madness, a Wendy’s está dando aos fãs e atletas do basquete universitário a qualidade de carne fresca e nunca congelada que eles merecem para alimentar cada cesta de última hora, bandeja e enterrada durante todo o torneio”, disse a Wendy’s em um comunicado.
Para obter seus hambúrgueres de US$ 1 ou US$ 2, os clientes adicionaram um Dave’s Single ou Dave’s Double a um pedido no aplicativo da Wendy’s, antes de ir para a página de ofertas da Wendy’s e adicionar o desconto ao pedido. Também era necessário se inscrever para uma conta da Wendy’s — ou fazer login em uma conta existente — para aproveitar essa oferta.
Apesar do susto inicial, outras empresas analisaram o ocorrido e já estão pensando em formas mais eficientes de aplicar a precificação dinâmica.
Fonte:
Yahoo Finance, com tradução do ChatGPT