Precificação com dados: o que aprendemos construindo a do PicPay

Por que o preço costuma ser decidido no feeling?

Porque é o jeito mais rápido. O vendedor conhece o cliente, sente a negociação e decide o desconto na hora. Funciona enquanto a empresa tem poucos vendedores e o dono acompanha cada venda de perto.

O problema aparece quando o time cresce. Dois clientes parecidos pagam preços muito diferentes porque falaram com vendedores diferentes. A margem muda de uma negociação para outra, e ninguém sabe dizer se o desconto de ontem foi necessário ou só um jeito de fechar mais rápido.

O que muda quando o preço passa a ter critério?

O preço deixa de depender de quem está vendendo. A empresa define o que justifica um preço maior ou menor, por exemplo o volume comprado, o prazo de pagamento, o risco do cliente ou o custo de atender aquela região, e cada negociação segue as mesmas regras.

O vendedor continua tendo margem de manobra, mas dentro de uma faixa. Ele sabe até onde pode ir sozinho e quando precisa pedir aprovação. E o gestor passa a ver onde os descontos estão acontecendo e por quê.

Como foi no PicPay?

Antes da wedocode, o nosso time trabalhou na precificação de produtos financeiros do PicPay e nas ferramentas de um time de vendas com cerca de 500 vendedores. O desafio era aumentar a receita e o markup nas negociações, com preços sustentados por critérios consistentes e dados atualizados.

Markup é quanto o preço fica acima do custo. Aumentar o markup sem perder venda exige saber em quais negociações dá para cobrar mais e em quais o desconto é mesmo necessário.

A solução foi uma infraestrutura de precificação com uma matriz de critérios, enriquecida automaticamente por modelos preditivos e IA. Os vendedores ganharam funcionalidades de precificação no dia a dia, e os leads, que são os contatos de possíveis clientes, passaram a chegar enriquecidos com informações de bases externas, para aumentar a conversão.

O que é uma matriz de critérios?

É uma tabela que cruza as características da negociação com o preço ou o desconto permitido. Numa distribuidora, por exemplo, ela pode dizer que pedidos acima de certo volume ganham um desconto maior, que clientes com atraso recente não ganham prazo maior e que a região mais distante paga o frete.

A matriz é simples de entender e fácil de explicar para o cliente. O limite dela é que só enxerga o que alguém escreveu. Se o comportamento dos clientes muda, a tabela fica desatualizada até alguém perceber e mexer.

Onde entram os modelos preditivos?

Entram para enxergar o que a regra escrita não enxerga. Um modelo preditivo é um cálculo que aprende com o histórico de vendas para estimar, por exemplo, a chance de um cliente fechar a um determinado preço ou o risco de ele atrasar o pagamento.

Com isso, a matriz deixa de ser fixa. Os dados atualizam os critérios, e o vendedor recebe uma sugestão de preço para aquela negociação específica, com a explicação do porquê. A decisão final continua sendo dele, só que agora apoiada em informação.

Precisa de muitos dados para começar?

Para os modelos preditivos, precisa de histórico. Sem um bom volume de negociações registradas, com preço, desconto e resultado, o modelo não tem de onde aprender.

Para a matriz de critérios, não precisa de quase nada. Ela começa com o conhecimento que o dono e os melhores vendedores já têm, colocado no papel. Esse é o passo que mais traz resultado no começo, porque acaba com a variação de preço entre vendedores.

Que erros evitar?

O mais comum é esconder a regra do vendedor. Se ele não entende por que o sistema sugeriu aquele preço, desconfia e volta a negociar do jeito antigo. Cada sugestão precisa vir com o motivo, em linguagem simples.

Outro erro é tratar o preço sugerido como ordem. Há negociações em que o vendedor sabe algo que os dados ainda não sabem, como um concorrente oferecendo condição melhor naquela semana. A regra precisa deixar espaço para a exceção, com registro do motivo, para que ela vire aprendizado.

E vale cuidado com dado ruim. Se o cadastro do cliente está incompleto ou o histórico tem vendas lançadas errado, o modelo aprende o erro. Antes de pensar em IA, vale conferir se o que está registrado no sistema é confiável.

Por onde começar na sua empresa?

Puxe as vendas dos últimos meses e compare o preço final de negociações parecidas. Se a diferença entre a maior e a menor for grande, existe margem escapando.

Depois, junte quem vende e escreva os critérios que hoje estão na cabeça de cada um. O que justifica desconto, até quanto e quem pode aprovar. Coloque isso numa tabela simples e combine que todo mundo segue por um mês.

Ao fim do mês, compare a margem com a do mês anterior e veja quais negociações ficaram fora da regra e por quê. É daí que saem os ajustes da matriz e, mais adiante, os dados para um modelo preditivo.