Pricing Policy: sistema de recomendação de preços

Abstract

A precificação se tornou uma questão complexa de Big Data. As empresas B2B enfrentam dificuldades para encontrar oportunidades de preços e aumentar seus retornos em meio a um ambiente muito competitivo. Sem agir sobre estas oportunidades, muitas empresas deixam de faturar milhões de dólares todos os anos. Para fazer sentido sobre essa grande quantidade de dados, faz-se necessário o uso de uma ferramenta analítica que permita à empresa uma visão mais granular dos preços e dos clientes. Este projeto teve como foco o desenvolvimento de uma política de preços baseada em valor para uma das maiores fabricantes do setor metal-mecânico do País. O método quantifica o valor dos atributos dos produtos percebido pelo cliente e é reconhecido como a técnica mais avançada e com maior potencial de lucratividade. Os clientes foram agrupados em diferentes clusters e, utilizando técnicas de regressão linear múltipla, foram desenvolvidas equações de preço que explicam o comportamento de cada segmento de clientes. Com isso, elaborou-se uma ferramenta de recomendação de preços, a qual auxilia a empresa na tomada de melhores decisões. Apoiada por outros processos, estima-se que esta abordagem pode levar a um aumento médio de 2 a 4 pontos percentuais na receita sobre vendas.

Pricing has become a complex big data question. B2B companies are struggling to find price opportunities and increase their returns in this very competitive environment they find themselves. Without acting on these opportunities, many companies are leaving millions of dollars of profits on the table. To make sense of this large amount of data, it is necessary to use an analytical tool that allows the company to have a much more granular view of prices and customers. This project focused on the development of a value-based pricing policy for one of the largest metal-mechanic manufacturers of Brazil. The method translates what is the customer’s willingness-to-pay for each product’s attribute. It is recognized as the most advanced pricing methodology available, with the greater profitability uplift potential. Customers were divided into different clusters and pricing equations were developed for each cluster using multiple regression techniques, which helped explaining the behavior of the different customer segments. Thus, a price recommendation tool was developed to assist the company in making better price decisions. Supported by other processes, it is estimated that this approach could lead to an average increase between two and four percentage points of return on sales.