O papel da IA na previsão de demanda na indústria alimentícia

O papel da IA na previsão de demanda na indústria alimentícia

O conceito de ponto de equilíbrio entre oferta e demanda é amplamente utilizado para explicar diversas situações do nosso dia-a-dia, desde o pão na padaria do bairro, que pode ser comercializado pelo preço de equilíbrio que iguala as quantidades desejadas pelos compradores e vendedores, até a negociação de papéis de empresas no mercado de ações. No lado da oferta, a definição do preço correto a ser praticado e, principalmente, a quantidade são questões comuns no planejamento e execução de estratégia de diversas empresas.

Neste contexto, como as inovações tecnológicas da área de dados estão se estabelecendo no setor alimentício? 

A construção da previsão de demanda

A projeção de demanda muitas vezes é construída por meio de dados históricos de venda, perspectivas de crescimento do setor ou até mesmo metas estipuladas para engajar vendas de determinado produto. 

Ao considerar somente esses meios de previsão, sem considerar o crescimento específico de cada SKU (Stock Keeping Unit), as companhias podem cair nas armadilhas da subjetividade ou generalismo. 

A expansão de um setor não resulta em um crescimento de mesma magnitude para todo o mix de produtos. Por exemplo, um crescimento anual projetado de 6% para o setor de alimentos implica, necessariamente, em crescimento equivalente para o segmento de carnes nobres? 

Possivelmente, não, pois esse nicho de mercado pode ser mais resiliente ou sensível do que o setor alimentício, ou até mesmo pode sofrer com mudanças recentes nos hábitos dos consumidores.

Impactos dos erros da previsão de demanda

Para empresas, principalmente grandes companhias com economias de escala e capilaridade geográfica, um erro na previsão de demanda pode causar diversas consequências, tais como:

Essas adversidades impactam diretamente os resultados finais das companhias, uma vez que resultam em perda de market share, aumento de custos ou baixa otimização na diluição dos custos fixos, crescimento na perda de estoques perecíveis, frustração dos colaboradores em relação às metas e principalmente quebra na confiança de clientes recorrentes que dependem do fornecimento para suas operações. 

IA na previsão de demanda no setor de alimentos

A indústria alimentícia está situada em um contexto de produtos de alta perecibilidade com as seguintes características: 

  • Alto giro de estoque;
  • Fornecimento paralelo em diferentes localidades;
  • Grande número de Skus, pontos de produção e pontos de comercialização;
  • Cadeia de suprimentos verticalizada;
  • Não linearidade nos padrões dos dados;
  • Sazonalidade.

Estas características fazem do setor um nicho de negócio mais sensível aos desvios na previsão de demanda e planejamentos adjacentes. 

Oportunidade na cadeia de suprimentos

Como alternativa ao formato tradicional de previsão de demanda, existem oportunidades para a utilização de dados de mercado e IA para auxiliar os gestores no processo de S&OP (Sales & Operations Planning), assim como no processo de S&OE (Sales and Operations Execution). 

Durante o processo de S&OP, a previsão de demanda amparada por IA  facilita o trabalho das áreas de marketing e vendas no detalhamento de metas, assim como reduz a incerteza e  aumenta a previsibilidade para as áreas de supply chain. 

Já no processo de S&OE, a IA pode ser utilizada na identificação de novas oportunidades e correções de desvios em relação ao planejado. 

Além dos atributos técnicos que a IA pode agregar ao processo, o embasamento em dados reduz os pontos de conflitos entre equipes, diminui disputas históricas entre preferências por SKUs e torna o processo mais transparente entre as áreas.

Previamente, em nosso blog, abordamos os desafios da previsão de demanda na nossa visão (pt. 1 e pt. 2). Nos artigos, citamos os diferenciais da abordagem preditiva em relação à demanda, levando em consideração fatores como a sazonalidade, preferências geográficas/regionais e mudanças no comportamento dos consumidores. 

Entendemos que a necessidade de uma abordagem preditiva utilizando dados, principalmente externos à empresa, está cada vez mais latente. 

O papel do aprendizado de máquina (machine learning) no setor alimentício

A utilização de IA por meio de técnicas de machine learning associados a um coerente stack tecnológico de analytics (O que é um stack tecnológico?) fornece maior velocidade de informações, organização de dados com diferentes granularidades (região, estado, cidade e bairro), ajustes de sazonalidade, exploração de oportunidades e tomada de decisão em tempo real. 

No caso do setor de alimentos, a maior acurácia na previsão de demanda significa: 

  • Otimização de estoques dentre os Centros de Distribuição (CDs);
  • Redução de estoques ociosos;
  • Diminuição nas rupturas que causam perda de market share em função de produtos substitutos;
  • Redução direta em perdas com perecibilidade (FIFO). 

No entanto, o grande desafio técnico e conceitual enfrentado pelos cientistas de dados (O perfil de cientistas de dados na visão da Aquarela) é a modelagem dos datasets de análise (o que são datasets?) que servirão para o treinamento adequado das máquinas. 

Vale lembrar que:

“Executar o treinamento de máquina somente com dados do passado fará com que as máquinas repliquem os mesmos erros e acertos do passado, principalmente na questão de precificação. Portanto, o objetivo deve ser criar modelos híbridos que ajudem a IA replicar com mais intensidade e ênfase os comportamentos desejados da estratégia da gestão”. 

No caso da Aquarela, o módulo de previsão de demanda do Aquarela Tactics possibilita a obtenção de previsões integradas aos sistemas corporativos e às estratégias de gestão. Ele foi criado com base em dados reais do varejo nacional e algoritmos feitos para atender demandas específicas das áreas de marketing, vendas, supply chain, operações e planejamento (S&OP e S&OE). 

Conclusões e recomendações

Nesse artigo, apresentamos as características-chave da operação de previsão de demanda no setor alimentício. Também abordamos, com base em nossas experiências, o papel da estruturação de Analytics e IA na previsão de demanda. Ambos são temas de destaque e de desafios para gestores, matemáticos e cientistas de dados. 

As inovações tecnológicas de previsão, sobretudo com uso de algoritmos de Inteligência Artificial, estão cada vez mais presentes na operação das empresas e os seus benefícios já são evidentes.

Além de evitar pontos negativos da subestimação da demanda, a abordagem preditiva, quando bem realizada, possibilita o ganho de market share em produtos atuais e uma grande vantagem competitiva em prever oportunidades em outros nichos.

Leia também: Como escolher o melhor fornecedor de Data Analytics e Inteligência Artificial? 

Gostou do artigo? Então, deixe o seu comentário.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), Solar Br Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Tipos de estratégia de precificação dinâmica

Tipos de estratégia de precificação dinâmica

Recentemente, publicamos o artigo Precificação dinâmica: O que é e quais são seus benefícios. Como continuação, a proposta do artigo de hoje é ir além, apresentando aspectos fundamentais à estratégia de precificação dinâmica e outros pontos de interesse aos profissionais de gestão que atuam na busca do melhor preço com apoio de Analytics e Inteligência Artificial

Este artigo apresenta respostas aos seguintes questionamentos: 

  • Qual é a essência da precificação e seus principais componentes?
  • Quais os benefícios das ferramentas de analytics em cada componente de precificação? 
  • Quem são os responsáveis pela precificação e por que esta definição é relevante? 
  • A precificação é relevante apenas para quem precifica? 

A essência da precificação

A precificação ou pricing (definição de preços) é uma atividade bastante presente nos modelos de negócio e exige fortes e contínuas conexões de informação entre os departamentos de gestão, marketing, operação e o time comercial. 

A inter-relação entre departamentos demanda estratégias bem elaboradas, planos de ação alinhados à visão de longo prazo da organização e, evidentemente, ao seu stack tecnológico administrado pela gestão de TI. 

Com a informatização, a precificação se tornou mais poderosa. O que chamamos de Precificação Dinâmica (Dynamic Pricing ou Smart Pricing) trata-se, portanto, da utilização de instrumentos digitais inteligentes de precificação automatizada com a finalidade de maximizar lucros ou vendas ao buscar um ponto de equilíbrio favorável no encontro entre demanda e oferta.  

Em outras palavras: 

“A nova geração de precificadores busca definir o preço de maneira automática levando em consideração fatores como a oferta, demanda, tendências, sazonalidades, estratégia da própria empresa, concorrentes, limitações tecnológicas, entre outros fatores, com o objetivo de maximizar lucros ou vendas”.

Quem é o responsável pela precificação?

A responsabilidade da precificação pode variar muito conforme cada modelo de negócio e qual abordagem de preço adotada. Como exemplo, existem empresas que operam modelos de negócios B2C (orientadas ao comércio com o público de pessoas físicas) e é provável que os responsáveis pela escolha da estratégia de preço sejam do time de marketing. 

Por outro lado, existem empresas B2B (fornecem produtos e serviços para outras empresas) que podem ter estrutura de preços fortemente baseadas em seus custos de capital, trazendo a responsabilidade de precificação para os times comerciais e a própria contabilidade.

A precificação dinâmica é boa só para quem precifica?

Uma estratégia de precificação dinâmica bem aplicada pode ser benéfica não somente para a empresa, mas também para seus clientes, pois, ao buscar a otimização, este bem ou serviço poderá ser acessado por uma quantidade maior de consumidores, atingindo o chamado ponto ótimo. Um exemplo é o caso da Precificação Dinâmica na otimização do metrô de Londres.

Uma melhor compreensão do comportamento do consumidor, portanto, pode promover maior aproximação com o mesmo, assim como gerar insumo para o mapeamento do comportamento atual e estimação do comportamento futuro. Assim, pode-se prever cenários futuros, dado determinado evento. Confira nosso artigo sobre o que são as análises preditivas, prescritivas e cenarização?

Preço na visão da estrutura de custo

O custo estabelece o piso para o preço que a empresa pode cobrar por seu produto ou serviço. Sendo assim, é importante investigar de forma detalhada os componentes do custo (custos de produção, distribuição, venda e outros) e o método utilizado na contabilidade destes valores. Além disso, a empresa precisa adicionar uma margem (taxa de retorno) para compensar o risco da operação. 

“A principal virtude desta estratégia é mitigar riscos financeiros, evidenciando o menor preço necessário para a operação se manter”. 

As estratégias e ferramentas de analytics podem auxiliar no levantamento dos custos, porém a intensidade do seu uso pode variar de acordo com o nível de maturidade analítica de cada empresa, como já apresentamos neste artigo sobre os 5 níveis de maturidade de dados na visão da Aquarela

As ferramentas de analytics podem ajudar na automação do processo de precificação, extraindo e integrando indicadores de custo dispersos que servem de insumo para análises de detecção de padrões, de sazonalidade, situações atípicas (O que são outliers?) e simulações de cenários de alta complexidade. 

Preço na visão da percepção de valor

No outro extremo da precificação está a precificação baseada na percepção de valor pelo cliente, que, de certa maneira, estabelece o teto de preço (os clientes não estariam dispostos a pagar mais do que X unidades monetárias). 

A percepção de valor é de fato menos tangível e complexa de se calcular, mas com o uso intensivo de técnicas de analytics é possível inferir estas informações com relativa assertividade, dependendo do modelo de negócio. Anteriormente escrevemos, de forma mais técnica, um comparativo dos métodos tradicionais de marketing em relação aos métodos elaborados no mundo de analytics (acesse o link). 

“A principal virtude da precificação por valor é a aceitação do mercado”. 

Nesta visão, é possível criar testes automatizados de mensuração da percepção de valor dos produtos, principalmente em negócios digitais. Já para produtos ainda não digitais, segue a recomendação de entrevistas relacionadas ao público-alvo, com indicadores que podem ser integrados aos indicadores de custo (7 dicas de ouro sobre design de indicadores).

Preço na visão da demanda do mercado

Uma grande demanda por um produto ou serviço certamente influenciará a estratégia de preço. Contudo, a demanda não é fixa, variando de acordo com o orçamento e preferência dos consumidores, assim como a quantidade demandada pode variar de acordo com o próprio preço. Embora no senso comum a demanda seja interpretada como quantidade demanda, há uma diferença técnica entre as duas sendo que:

Demanda (desejo) ≠ Quantidade demandada (capacidade de compra e outros fatores)

Entender a relação entre estes fatores é fundamental para se estimar a demanda, assim como a quantidade demanda em função de dado preço.

A área de ciência de dados, nas suas várias atribuições, pode ser utilizada para inferir com maior precisão a demanda e também o grau de importância dos componentes que formam a demanda. Além disso, testes estatísticos podem ajudar a elucidar situações de causa e efeito que, por vezes, até desmistificam premissas operacionais antigas. 

“A principal virtude da precificação pela demanda do mercado é a capacidade de contextualizar o preço ao próprio mercado”.  

Preço na visão da concorrência (espaço concorrencial)

A concorrência ou até sua ausência impactam na escolha do preço. A concorrência pode gerar impacto na demanda dos produtos e serviços e por isso se torna importante tanto para análises de precificação como também de posicionamento de marca. 

“A principal virtude da precificação por concorrência é a capacidade de contextualizar o preço frente às alternativas oferecidas pelos concorrentes”. 

Com a digitalização da economia e os preços se tornando cada vez mais onipresentes, as ferramentas analíticas de precificação mais avançadas podem fazer buscas e estatísticas com sugestões de preços em tempo real e filtros de interesse, como fazem o Buscapé e a Zoom

Atenção! Vale salientar que a prática de capturar dados (web scraping) pode se tornar ilícita se desrespeitar as regras de utilização dos sites consultados.

Preço na visão estratégica

As alterações de preço baseadas em visões estratégicas ou regras Top Down são muito comuns e, em muitos casos, podem ser até contra intuitivas e atuarem contrariamente aos resultados das análises de custo e até da percepção de valor e concorrência. 

“A principal virtude da precificação por estratégia é a oportunidade de alcançar objetivos estratégicos baseados na intuição gerada pela inteligência coletiva da organização” 

As regras Top Down derivam do conhecimento coletivo da operação. Elas são cultivadas durante anos pelas organizações e por isso se torna necessário a execução de processos de harmonização de indicadores e dicionarização (o que é um dicionário de dados de analytics?) para que cada regra se integre corretamente aos sistemas precificadores. 

Esta camada, diferentemente das demais, é especial, pois ela gera viés intencionais diretamente ligados ao mercado de operação e que mudam de acordo com o posicionamento e o objetivo da organização. 

Resumo da análise – Estratégia de precificação

Abaixo apresentamos resumidamente os principais componentes ligados à estratégia de precificação. 

tabela de estratégia de preço

Conclusão – Estratégia de precificação dinâmica

Como vimos, a precificação é parte inseparável da atividade econômica. Seja qual for o modelo de negócio adotado pela organização, deve-se definir claramente qual é o departamento e quem são os responsáveis pela atividade da precificação, podendo ser definida por meio de processos automatizados.

Aos gestores interessados no tema, concluímos que, para o sucesso de uma estratégia de determinado bem ou serviço, a precificação deve vir acompanhada de uma série de cuidados com fatores externos ao preço a fim de otimizar a receita do produto ou serviço.

Ainda assim, seja qual for a estratégia de precificação adotada pela organização, seja o preço definido automaticamente ou de maneira analógica, essa prática deve sempre levar em consideração alguns fatores, como custo e demanda. Entender a diferença entre demanda e quantidade demandada, ou seja, saber que a quantidade demandada é função da demanda para dado preço, é essencial para a prática da precificação. (Demanda != Quantidade demandada).

Lembre-se de que o preço baseado na percepção de valor do cliente é geralmente considerado uma melhor estratégia do que o preço baseado no custo. Vale considerar estratégias mistas com a necessidade interações entre os departamentos comercial, marketing e contabilidade.

Gostou do artigo? Ficou com dúvidas? Deixe o seu comentário.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), Solar Br Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Precificação dinâmica: o que é e quais são seus benefícios?

Precificação dinâmica: o que é e quais são seus benefícios?

A precificação dinâmica (dynamic pricing), também interpretada em outros contextos como precificação inteligente (smart pricing), otimização de preços (price optimization), personalização de preços, recomendação de preços (pricing recommendation), strategic pricing, trata de um ponto relevante no planejamento estratégico das empresas e, como tal ,necessita de atenção especial dos gestores CEOs, CIOs, gerentes comerciais e de gestão de receitas (revenue management). 

De acordo com a Forbes, as principais empresas do mundo digital, que buscam destaque em um mercado competitivo, utilizam a precificação dinâmica. Esse tipo de estratégia pode ser aplicada em diversos setores, ajudando as empresas a alcançarem a qualidade e notoriedade necessárias para o sucesso.

Nesse artigo, vamos abordar o conceito de precificação dinâmica e apontar alguns dos benefícios do uso dessa estratégia.

O que é a precificação dinâmica?

É uma estratégia utilizada para estabelecer um preço condizente com o mercado para produtos e serviços ofertados pelas empresas. Ela leva em conta fatores como equilíbrio entre oferta e demanda, sazonalidade e estratégia da concorrência. Essa estratégia permite que as empresas consigam se adaptar ao mercado com agilidade e de forma competitiva.

Benefícios

Para um melhor entendimento das vantagens de investir em precificação dinâmica inteligente, elencamos alguns benefícios que essa estratégia pode proporcionar para os negócios.

Maximização de lucros

Utilizando a precificação dinâmica, é possível acompanhar o valor do produto de interesse e acompanhar as oscilações de preço da concorrência mais rapidamente, permitindo, assim, seguir a tendência sem medo de perder espaço no mercado e aumentando a margem de lucro. Quando a tendência do mercado é diminuir o preço, também é possível ganhar aumentando o número de conversões e ganhando por volume. 

Entender o comportamento do consumidor

Mais um benefício da precificação dinâmica é o fato de que ela ajuda a mapear pontos importantes do comportamento do consumidor. Por exemplo, os tipos de promoção que melhor funcionam e os produtos mais vendidos em determinado período, entre outras coisas.

Automatização do benchmarking

Além de permitir preços mais competitivos frente à concorrência, a precificação dinâmica é uma maneira de acompanhar a concorrência de forma mais ágil e rápida, permitindo que a empresa se prepare para enfrentar ameaças ou aproveitar oportunidades. Além disso, pode ajudar a observar os concorrentes para criar diferenciais atrativos para a sua empresa.

Para entender melhor na prática os benefícios dessa estratégia e compreender as diferenças entre precificação estática, dinâmica e inteligente, veja o Case do metrô de Londres.

Implementando a precificação dinâmica

Baseando-se em dados de preços ou dados que indiquem um tipo de efetivação de venda, é possível criar uma ferramenta para atualização de preços na periodicidade desejada, de acordo com as regras de negócio da empresa. A recomendação é de que os dados estejam estruturados por meio de um Data Lake (6 recomendações de gestão para projetos de Data Lake).

Além das regras de negócio, o uso de Inteligência Artificial (IA) e Machine Learning permitem potencializar a ferramenta, analisando dados passados para buscar os padrões de preços bem sucedidos ou até mesmo uma modelagem complexa para que a IA consiga definir os preços a partir de fatores que não necessariamente sejam do passado. 

Quer saber mais sobre como implementar a precificação dinâmica na sua empresa? Então, veja nosso artigo detalhando o processo aqui: Como implementar precificação dinâmica com sucesso

Precificação dinâmica – Conclusões e recomendações

A precificação dinâmica é uma grande oportunidade para promover a otimização de preços das empresas, aproveitando todas as vantagens que ela oferece, possibilitando, assim, um planejamento mais consistente e evitando a perda de conversões. 

A decisão de dinamizar a escolha de preços não é simples, por isso é importante escolher um fornecedor apto para tal. Alguns aspectos a serem analisados na busca de um fornecedor para a solução de precificação podem ser encontrados neste artigo: Como escolher o melhor fornecedor de Data Analytics e Inteligência Artificial

Gostou do nosso conteúdo? Então comente abaixo e compartilhe nas redes sociais. 

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), Solar Br Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Performance de Vendas 4.0: People Analytics com I.A. para Gestão de Times de Vendas

Performance de Vendas 4.0: People Analytics com I.A. para Gestão de Times de Vendas

O bom desempenho da força de vendas é um fator crítico de sucesso nas indústrias, em especial no segmento de bens de consumo. Isso se deve, pois, o vendedor é o elo que une a produção com a disponibilização dos bens no mercado.

Elevar o nível de desempenho do time de vendas e escolher o melhor fornecedor de soluções de inteligência artificial para esse contexto são grandes desafios, porém com um potencial de impacto nos negócios ainda maior. Então?

Como elevar o desempenho da força de vendas com Analytics e Inteligência Artificial?

Dentro desse contexto, as soluções de People Analytics envolvem um alto grau de complexidade e dinamismo operacional, simplesmente pelo fato de estar lidando com pessoas e processos.

Diante deste cenário o restante do texto descreve como a solução Performance de Vendas 4.0 utiliza técnicas avançadas de análise de dados para oferecer às equipes comercial e RH uma ferramenta integrada, que permita acompanhar e evoluir o desempenho dos times de Vendas com a geração de recomendações personalizadas para cada caso ao longo do tempo. 

People Analytics e I.A: primeiros passos 

Para que a I.A. possa ajudar no desempenho da força de vendas, é essencial garantir que a avaliação do desempenho dos colaboradores seja feita de maneira justa e eficaz, levando em consideração os diferentes aspectos relacionados à atividade do vendedor e o seu perfil. 

A complexidade do trabalho de harmonização dos indicadores está sempre muito associada aos diferentes níveis de maturidade de Data Analytics de cada departamento.

Dependendo do nível, os indicadores (KPIs) podem ser gerados de diversos sistemas, que por sua vez acaba gerando uma complexidade extra, podendo ser tanto técnica como também de significados dos processos.  

Para simplificar vamos explicar alguns dos principais pilares da nossa solução, que são:

  • Centralização dos KPIs
  • Classificador Inteligente de Performance
  • Recomendador de Ações
  • Ganhos da Ferramenta

Centralização e harmonização dos KPIs da força de vendas

A implantação de uma solução de People Analytics exige que diversos aspectos da cultura e dos processos de vendas da empresa sejam levados em consideração. Portanto a  integração de dados de origens diferentes é, então, um passo necessário. 

Suponha que uma empresa queira avaliar o desempenho e execução de seu time de vendas, e ao longo dos anos dois KPIs foram desenvolvidos.:

  • Volume-Margem: mede o desempenho de cada membro da força de vendas em relação ao faturamento, normalizando de acordo com a margem de cada SKU. 
  • Coberturas-Geográficas: mede qual a proporção dos PDVs cadastrados estão sendo atendidos pelos membros do time de vendas. 

Nota-se que cada KPI está associado a um módulo diferente do ERP (sistema transacional) da empresa. O Volume-Margem é originado a partir do módulo de contabilidade e o Coberturas-Geográficas a partir da operação.

Para que os analistas e times de vendas possam acompanhar como está sendo seu desempenho e performance, é necessário que eles acessem diferentes sistemas.

Para os algoritmos levarem em consideração tais KPIs, é necessário que haja um local onde ambos os KPIs estejam armazenados de maneira sistemática.

Vale destacar que a decisão de quais KPIs são levados em consideração é uma tarefa de co-criação, onde os especialistas têm total liberdade de contribuir no processo. Dessa forma, a necessidade de criar um ambiente onde os KPIs ficarão armazenadas, para servirem como entrada para os algoritmos, abre a possibilidade de simplificar a maneira pela qual os analistas e os times de vendas têm acesso aos KPIs. Isso resulta em um ganho de produtividade. 

KPIs e soluções de BI e Analytics: Quando usar e como usar

Nesse ponto é importante destacar a relação que há entre soluções de Analytics e BI (7 características importantes para diferenciar BI de outros sistemas de análise).

Enquanto o objetivo final de uma ferramenta de BI é visualizar passivamente os KPIs em diversos ângulos, o Analytics (o que é data analytics?) tem essas informações como insumo necessário para análises exploratórias, aplicação de algoritmos de mineração de dados e geração de combinações contextualizadas de forma bastante dinâmica. 

Outro ponto necessário de se esclarecer é que os dados utilizado não necessitam ser apenas relacionados a vendas, se a empresa deseja utilizar dados cadastrais, por exemplo, não há nada que impeça a utilização deles.

Classificador Inteligente de Performance

Feita a estruturação do ambiente onde os KPIs serão centralizados, o próximo passo é mapear o conhecimento tácito (significado)  dos analistas e especialistas de negócio. 

O objetivo do mapeamento é criar uma caracterização dos desempenhos, para possibilitar e garantir a avaliação da time de vendas de maneira justa e eficaz. 

A materialização desse mapeamento é viabilizada por metodologias ágeis de Data Analytics. Na Aquarela, criamos e  utilizamos a metodologia DCIM e o Analytics Business Canvas.

No caso da Aquarela a metodologia trata de fazer a união dos algoritmos da plataforma Vortx com com as opiniões advindas dos analistas e especialistas de negócio que regem o processo do ínicio ao fim.

Por fim, temos um processo intenso de co-criação entre as equipes de especialistas de vendas, RH e sistemas, definindo as características de cada quadrante da matriz 9-Box. Uma das principais vantagens da metodologia é a união de dimensões qualitativas e quantitativas da força de vendas.

Desta forma, a partir dos dados de entrada e da caracterização de quadrantes, os algoritmos do Vortx classificam os membros do time de vendas. 

Recomendador de Ações

O problema que o recomendador busca solucionar é simples: 

Dado um histórico e a posição atual de um determinado membro do time de vendas, qual é conjunto de ações que devem ser executadas pelo membro em questão para que ele melhore seu desempenho? 

Para isso, novamente, é feito um processo de co-criação com as equipes comercial e de RH/Desenvolvimento. Nessa interação o objetivo é ter o mapeamento das ações adotadas pela cultura da empresa, assim como as situações nas quais elas são tradicionalmente adotadas.

Com isso realizado, pode-se então otimizar os algoritmos do Vortx para que sejam detectados, por meio dos dados históricos disponíveis e conforme o tempo passa, quais ações têm impacto em quais mudanças de categoria. 

O resultado dessa otimização é uma sugestão personalizada para a situação de cada membro do time de vendas, sempre com o intuito de desenvolvê-lo para a próxima melhor categoria. 

Ganhos que uma ferramenta de People Analytics com I.A pode proporcionar

Diante do que foi apresentado, esta seção sumariza alguns dos ganhos que a solução Performance de Vendas 4.0 oferece, por meio dos algoritmos do Vortx, para manter o time de vendas batendo metas e elevando o nível do seu desempenho. 

  • O primeiro deles é a facilidade e simplicidade para acompanhar o desempenho da força de vendas em uma plataforma centralizada. Isso possibilita que os supervisores e analistas aumentem sua produtividade, pois terão ganhos significativos no tempo necessário para obter acesso ao desempenho do time de vendas. 
  • Permitir uma avaliação justa e eficaz dos membros da força de vendas, assim como fornecer recomendações de ações visando sempre a evolução do desempenho. A avaliação é materializada na classificação inteligente. Resultado da união dos algoritmos do Vortx com a cultura e padrão de avaliação da empresa, fornecendo insights para o analista e permitindo o acompanhamento da evolução ao longo do tempo de cada membro. 
  • Obter recomendações personalizadas de acordo com a situação do membro com ações ações para que seu desempenho avançe para a próxima categoria de performance. 

Soluções de Analytics têm sido cada vez mais adotadas para a execução de processos dentro das indústrias devido ao impacto nos negócios e a complexidade/natureza dos dados analisados. Neste artigo, abordamos o contexto dos times de vendas e os principais fatores relacionados à inserção de tecnologias inovadores de análise de dados, compartilhando um pouco da nossa experiência de casos reais de implantação da plataforma Vortx.

Conheça a solução 

A solução de People analytics da Aquarela, o Performance de Vendas 4.0, permite que analistas e supervisores de vendas possam conduzir suas atividades de maneira mais produtiva e eficiente, além de possibilitar a eles acesso a recomendações que não seriam possíveis de serem feitas baseadas apenas no conhecimento tácito.

Em outras palavras, é uma solução de indústria 4.0, que une o conhecimento tácito dos analistas e especialistas de negócio com os algoritmos de Inteligência Artificial do Vortx.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), Solar Br Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Como implementar precificação dinâmica com sucesso.

Como implementar precificação dinâmica com sucesso.

Já não é mais novidade que sistemas de precificação dinâmica – e inteligente – têm roubado a cena em muitos segmentos do mercado e da indústria, começando pelo e-commerce (que já nasceu digital).

Podemos afirmar com elevado grau de confiança, assim como é discutido pela Forbes, que no futuro, as estratégias de precificação vão incorporar cada vez mais o poder computacional de automação e inteligência, possibilitando assim a flutuação adequada de preços de acordo com as condições de mercado.

O conceito por trás de todo sistema de smart-pricing é um dos mais elementares dentro das ciências econômicas: 

“quando oferta e demanda estão em equilíbrio é quando se obtém a maior eficiência”. 

Ou seja, falar em tornar o preço dinâmico de acordo com as condições de mercado é falar em buscar a equivalência entre oferta e demanda e, por consequência, gerar a eficiência que se traduz em maximização de lucros. 

Segundo Louis da Forbes, em tempos difíceis, como na pandemia do COVID-19, ser eficiente significa sobreviver e minimizar os impactos negativos sobre os negócios, e é por isso que a precificação dinâmica ganha ainda mais importância.

Na Aquarela, desenvolvemos uma metodologia ágil de projetos de analyticsa DCIM -, que garante eficiência e rapidez aos nossos clientes, inclusive em projetos de precificação dinâmica. 

Nas seções a seguir, mostraremos como conseguimos ter implementações bem-sucedidas de precificação dinâmica.

Desenhando uma estratégia de precificação

A base para o sucesso de um projeto de precificação dinâmica é o completo e correto mapeamento dos processos da estratégia de precificação adotada pela empresa, começando na produção, passando pela distribuição e terminando na venda final, considerando também as características de cada produto ou serviço a ser precificado. Cada etapa da cadeia produtiva terá seu peso sobre o preço final.

Com a total compreensão desses processos, é aberta a possibilidade de automatizá-los. O preço pode variar conforme a hora, dia da semana ou qualquer outra unidade de tempo. Ou então, de acordo com a região de comercialização, com a quantidade de estoque ou com as condições de concorrência e mercado. 

Todos os fatores de custo e oportunidade podem ser considerados em um sistema automatizado de precificação dinâmica, singularmente ou em conjunto, desde que os processos estejam bem definidos e mapeados, de modo que tornem evidentes as regras de negócio.

E se não houver uma estratégia consolidada de precificação ou os processos não estão bem definidos? Nestes casos, a equipe de analytics contará com a ajuda dos especialistas de pricing e revenue management para estudar o estado da arte das estratégias de precificação do setor em questão, assim podendo, em conjunto, estabelecerem as estratégias mais adequadas para a empresa e/ou melhor estruturar os processos já existentes.

Dados

Atualmente, já não é mais possível discordar da frase “data is the new oil!”. A coleta de dados de preços, fechamento de contratos ou qualquer outro tipo de efetivação de vendas é de extrema importância para os times de analytics.

O que chamamos de maturidade de dados não é somente a coleta, mas também um pipeline tecnológico que garanta o armazenamento adequado  sem perda de informação. Ainda mais maturidade a empresa tem se já consegue extrair as próprias análises dos dados. Quanto maior a maturidade, mais rapidamente e de forma mais eficiente é possível extrair a inteligência, como mostrado na figura a seguir:

No contexto de precificação dinâmica, a inteligência pode ser entendida como a extração de regras e insights que não são explícitos para as equipes de pricing. Pela nossa experiência, esse olhar do cientista de dados é extremamente agregativo na construção destes sistemas dinâmicos de precificação.

Caso não exista uma maturidade de dados suficiente para viabilizar o projeto, como proceder?

Para este problema, podemos oferecer um projeto estruturante, que tem como objetivo ajudar empresas a construírem uma sólida cultura de dados. Este curto projeto é dividido em duas partes:

  • na criação do pipeline de coleta e armazenamento de dados; e
  • na definição da ontologia de preços e harmonização de indicadores.

Esta última, se encarrega de garantir que o dado coletado e armazenado viabilize a extração de informação, conhecimento, insights e, por fim, a inteligência, ou seja, garante que o dado tenha, de fato, valor para os planos futuros da empresa. Um pouco deste processo está descrito neste artigo – Dos dados à inovação.

Tecnologia

De nada adianta todo o trabalho dos tópicos anteriores ser realizado se não há tecnologia já existente na empresa que consiga dar conta de atualizar os preços na periodicidade desejada. Por exemplo, de nada adianta existir uma ferramenta que consegue tornar os preços dinâmicos em tempo real se as alterações de preço são feitas manualmente.

Quando a dinamicidade acontece em tempo real, é necessário maior robustez no stack tecnológico das empresas envolvidas. Por isso, o levantamento dos requisitos de sistemas e integrações deve ser feito, para que exista uma estimativa de tempo de implementação, com um cronograma coerente antes do início do projeto.

Precificação dinâmica e inteligente

Neste ponto, já temos um sistema de precificação dinâmica quase completo: temos um sistema operacional que consegue provocar variações de preços de acordo com as condições que foram previamente estabelecidas por regras de negócios, sejam elas extraídas dos especialistas de pricing ou de insights dos dados. O que falta?

O que pode passar despercebido, é que a dinamicidade dos preços pode ficar comprometida, travada, pelas próprias regras de negócio que embasaram o sistema.

O trade-off é claro: elevado grau de controle versus dinamicidade dos preços. Além disso, as regras normalmente não conseguem ser suficientemente genéricas a ponto de conseguirem definir o preço ideal para todas as situações possíveis.

Neste cenário é que entram as aplicações de Inteligência Artificial e Machine Learning, que aparecem como o elemento capaz de aprender, com extensas bases de dados, os padrões mais bem sucedidos do passado, e assim conseguir definir o preço ideal para cada situação. Ou então, com uma abordagem de modelagem diferente e um tanto quanto mais complexa, é possível fazer com que a inteligência artificial consiga definir preços a partir de outros fatores, sem que os padrões do passado sejam a base principal.

A vantagem de um sistema de precificação dinâmica orientado por uma inteligência artificial é que ele consegue ser mais versátil. No entanto, isso implica que as equipes de pricing abram mão do controle sobre a definição de preço, o que pode ser algo não tão desejável.

A solução para o impasse pode ser um sistema híbrido. Um sistema de precificação que tenha elementos gerados por uma inteligência artificial e complementados pelo conhecimento de negócio de especialistas, é o que chamamos de inteligência expandida. Do ponto de vista gerencial, essa é uma opção bastante atrativa, pois consegue equilibrar certa versatilidade e entregar um certo grau de controle no processo de definição de preços.

Avaliação de resultados

Por fim, mas não menos importante, é necessária uma metodologia consolidada que consiga provar a eficácia de um sistema dinâmico de preços versus o sistema tradicional. Para tanto, é bastante comum e eficiente utilizar a metodologia de diferenças das diferenças, que admite um grupo de controle (tradicional) e um grupo de testes (dinâmico) e permite comprovar, estatisticamente, a eficácia ou não da nova abordagem de precificação.

Case

Como exemplo, trouxemos um case utilizando a plataforma Vortx no segmento da educação privada, onde existia um complexo sistema de precificação não automatizado, com extensas regras de negócio para definir a mensalidade/bolsa de estudo ideal para cada aluno.

Com a estruturação, mapeamos os processos e adicionamos fatores como a distância do aluno até a escola, a renda do responsável, a escola que o aluno estudou anteriormente, entre outros 200 variáveis disponíveis no dataset enriquecido da Aquarela. Também adicionamos tratamentos automatizados de outliers (o que são outliers?) para não deixar passar situações que fogem da normalidade.

Partindo disso, todo o processo foi estudado e revisado por cientistas de dados em conjunto com uma equipe de pricing / revenue, removendo e/ou reformulando as regras de precificação existentes. Como resultado, fomos capazes de:

  • Propor insights e regras que agregaram ainda mais robustez ao processo existente;
  • Gerar um aumento de 5% no faturamento total de negociações; e
  • Criar uma maior transparência no processo decisório da alocação de bolsas de estudos.

Utilizando modelagem estatística avançada, fomos capazes de propor indicadores, utilizados como base para a precificação da mensalidade do aluno, a partir de machine learning. Assim, este sistema híbrido foi concluído e colocado em operação dentro de 4 meses.

Conclusão

Os métodos e tecnologias para precificação dinâmica estão chegando ao mercado, incluíndo setores mais tradicionais. Vimos nos primeiros cinco tópicos as etapas que consideramos fundamentais em projetos de precificação dinâmica.

A decisão de digitalizar e dinamizar a escolha dos preços dos produtos/serviços, sabemos, não é simples. Anteriormente escrevemos alguns aspectos importantes neste artigo Escolhendo fornecedores de inteligência artificial e data analytics.

Com nossa metodologia ágil e seguindo o que foi colocado acima, conseguimos entregar uma solução de precificação dinâmica rápida e eficaz em uma área tradicional como a da educação.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), Solar Br Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Problemas em Prever demanda – parte 2

Problemas em Prever demanda – parte 2

Prever demanda é estratégico, mas não é fácil, pois está sujeita a fatores externos à companhia, como por exemplo: clima, o nível de atividade econômica, preços da concorrência, acessibilidade ao produto-serviço e, até mesmo a impasses geopolíticos.  

Neste artigo vamos compartilhar alguns dos possíveis problemas relacionados ao desafio da previsão de demanda. Sugerimos a leitura da parte 1 para entender como abordamos o desafio da previsão de demanda

Processos não colaborativos

O Planejamento de Demanda deve ser um processo colaborativo entre diferentes áreas da companhia, e aqui citamos: suprimentos, produção, logística, marketing, vendas e T.I. 

TI?! Peraí, o que o setor de Tecnologia da Informação tem haver com planejamento de demanda?

Por mais que você, Gestor, consiga, com sucesso, fazer o herculano trabalho de sincronizar as agendas e alocar os responsáveis de cada área na mesma sala de reunião, é bem provável que tenha dificuldades em chegar a um acordo sobre quais dados utilizar no planejamento da demanda (conte com a gente para resolver isso!). 

E quando você pensou que tudo isso foi resolvido, surge a questão de descobrir onde estão esses dados e como consumi-los. Bom… é nesse momento que você deve chamar o seu departamento de TI! 

A falta de colaboração entre as diferentes áreas da companhia sem dúvidas afeta suas operações internas, mas também resulta na formação de Silos de Informação (também conhecidos como Data Silos), isto é, repositórios (ou bancos) de dados isolados, que são controlados por essas diferentes áreas da companhia, e que não estão integrados e compartilhados aos demais sistemas da empresa, ferindo conceitos básicos dos 5Vs do Big Data.

Ou seja, a falta de colaboração é refletida nos dados, justamente – o principal insumo – para qualquer modelo de previsão de demanda, dos mais arcaicos feitos em planilha eletrônica até aos nossos mais complexos algoritmos de Advanced Analytics.

É por isso que em nossa visão – o cenário ideal – e que buscamos construir a quatro-mãos com nossos clientes industriais é: 

“Um ambiente onde os dados internos referentes à suprimentos, produção, vendas e distribuição estão devidamente integrados e associados à fatores externos relativos ao negócio e ao tipo de produto vendido.”

Aplicação de regras do passado no futuro para prever demanda

A aplicação de algoritmos de inteligência artificial, sejam eles quais forem, apresenta um tipo de risco metodológico importante: 

“Treinar uma máquina com padrões do passado, fará com que ela busque trabalhar como no passado, se queremos que ela gere um desempenho melhor do que o passado, precisamos saber como ensinar a máquina a esquecer alguns erros e reforçar os acertos, isso é um desafio”

Ciclo de vida dos produtos e produtos de características diferentes 

Em cada estágio da vida de um produto (da concepção até as vendas em escala), as decisões da gestão variam consideravelmente, e isso pode gerar, consequentemente,  reflexos importantes na capacidade de prever demanda. Assim, é recomendável tratar produtos e suas séries históricas de forma separada.  

Também, quando são colocados produtos com naturezas diferentes, haverá a mistura de padrões de comportamentos, como por exemplo, produtos frios não devem se comparados com produtos de massas e assim por diante.

Quanto mais controlado, balanceado e focado do dataset final de previsão de demanda, melhor pode ser a assertividade do modelo.

Regras de negócio pré estabelecidas

Quando analisamos, às vezes bilhões de transações de venda, percebemos que começam a surgir padrões nas vendas que não são necessariamente variações da demanda e sim da oferta. Isso ocorre quando há regras pré estabelecidas de negócio que são executadas em épocas específicas.

Vamos supor que uma fábrica têxtil oferte mais meias de crianças no verão do que no inverno ao longo dos últimos 5 anos, isso pode levar a ideia de que a demanda do produto é maior no verão, mas isso só seria possível verificar se a oferta gerada pela empresa for a mesma ao longo das estações.

Recomendamos entender como e onde estão as regras comerciais para, sempre que possível, fazer atenuações artificiais sobre as regras artificiais em um processo de harmonização de indicadores que, uma vez equilibrados, podem dar mais qualidade e visibilidade das variações aos algoritmos.  

Conclusões

Empresas com grande quantidade de produtos, em diversas regiões ao longo do tempo, enfrentam desafios para estabelecer um planejamento relativo a previsão de demanda, e alguns riscos devem ser mitigados, sobretudo no que tange a metodologia das análises e machine learning e regras comerciais pré estabelecidas que geram viés nos resultados passados. 

Apesar de serem vários os empecilhos metodológicos/técnicos e organizacionais  (expomos apenas alguns) que inibem um melhor planejamento da demanda. Prever demanda continua sendo possível, não para prever o futuro mas sim gerar condições favoráveis a decisões mais assertivas no presente. O que eu devo fazer agora para melhorar os resultados do futuro? 

Para ficar por dentro de esses e outros conteúdos de analytics, assine gratuitamente nossa newsletter e siga a Aquarela no Linkedin

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), Solar Br Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores