COMO O USO DE FERRAMENAS DE DATA SCIENCE TEM AUXILIADO AS EMPRESAS NA CONSTRUÇÃO E DESENVOLVIMENTO DAS ESTRATÉGIAS DE PRICING MAIS ASSERTIVA E COM

Transcrição

1 COMO O USO DE FERRAMENAS DE DATA SCIENCE TEM AUXILIADO AS EMPRESAS NA CONSTRUÇÃO E DESENVOLVIMENTO DAS ESTRATÉGIAS DE PRICING MAIS ASSERTIVA E COM RESULTADOS SUPERIORES

2 Big Data é o futuro? 2

3 Big Data é o futuro? 3

4 O que é data science? Data science é uma área da computação voltada para o estudo e a análise de dados, estruturados ou não, que visa a extração de conhecimento e insigths para possíveis tomadas de decisão - Wikipedia 4

5 O que é data science? Business Intelligence vs Data Science Área Business Intelligence Data Science Application Foco Relatórios, KPIs Padrões, correlações, modelos Processo Estático, comparativo Exploratório, experimentação Qualidade dos Dados Fonte única e centralizada de informação Bom o suficiente, probabilidades Modelo de Dados Pré-definido Customizado e sob demanda Análise Retrospectiva, Descritiva Preditiva, Prescritiva 5

6 O que é data science? Business Intelligence vs Data Science 6

7 O que é data science? Processo de construção de Data Science CONSTRUÇÃO DO MODELO DEFINIÇÃO DE HIPÓTESE Definir o que quero descobrir ou testar alguma hipótese existente COLETA DE DADOS Coletar dados de diversas fontes de informação diferentes necessárias à hipótese a ser testada. Ex.: Histórico de vendas, previsão do tempo, eventos ESTRUTURAÇÃO DOS DADOS Estruturação dos dados conforme necessidade e dados disponíveis EXPLORAÇÃO DOS DADOS Visualização e exploração dos dados para desvendar correlações, outliers e outros nos dados Criação/ Aplicação de Algorítimos aos dados para buscar o melhor modelo preditivo para os dados 7

8 Aplicações Práticas de Data Science Identificando anomalias nos dados dos sensores para evitar paradas Manutenção preditiva em indústria de óleo e gás: Operação de Perfuração: analisar dados de sensor de superfície de equipamentos críticos para antecipar interrupções não planejadas, otimizar custos de manutenção e estimar tempo residual de vida de ativos críticos baseados em plano de utilização. 9

9 Aplicações em Pricing/Revenue Management A oferta geralmente não se equilibra com a demanda de forma natural Os fatores do lado da oferta e do lado da demanda podem variar naturalmente ou ser alterados artificialmente de várias maneiras Exemplos Oferta Demanda Exemplos Companhias com vantagem de custo ganham no longo prazo Fechamento de refinarias inevitavelmente aumentam os preços na bomba Preços de vestuário/moda despencam no final da coleção. Produtos próximos ao vencimento são praticamente doados ao mercado Aumento da capacidade produtiva afeta todo o mercado Demanda por produtos de inverno despencam no verão; Demanda por Iphone x despenca após lançamento de Iphone x+1 Demanda por carne bovina pode cair em função do preço do frango ou demanda por produtos de marca podem cair em momentos de crise econômica Compradores online vão às lojas com os preços mais baixos. Há muita informação disponível para o consumidor. 10

10 Aplicações em Pricing/Revenue Management A Ciência do Pricing Oferta Demanda Preço é o principal mecanismo para equilibrar a oferta e a demanda Custo de produção Capacidade do Supply-chain Perecibilidade Competição no fornecimento PREÇO Sazonalidade e Ciclo-vida Substitutos Preços da concorrência Preço de Mercado é onde a demanda iguala a oferta A ciência do preço é estimar a demanda normativa e encontrar o preço que equilibra a oferta e a demanda, ao mesmo tempo que maximiza a receita ou a margem e satisfaz as restrições do mundo real 11

11 Aplicações em Pricing/Revenue Management A Ciência do Pricing Forecast Pra onde vão os preços das commodities? Qual a sazonalidade natural da demanda? Econometria Qual o impacto a alteração do preço causa na demanda? Como a alteração de preços afeta os produtos concorrentes? Ferramentas de Data Science Otimização Que preço otimiza o montante de margem? Como utilizar melhor os geradores de tráfego para aumentar a receita por visita da loja? Estatística Qual o preço limite por produto e cliente? Quais são os principais fatores de margem em uma venda? 12

12 Aplicações em Pricing/Revenue Management Exemplo prático Preços dinâmicos Uber Algoritmo de preços variáveis por demanda, região geográfica e comportamento do consumidor 13

13 Aplicações em Pricing/Revenue Management Preços personalizados - Farmácia 95% das vendas identificadas pelo CPF do comprador Envio de SMS com promoções personalizadas para o cliente Quando o cliente deve comprar novamente Qual a cesta de produtos que este tipo de cliente geralmente compra 14

14 CASE Austin Labs Yield Management 15

15 Saldo de produção a ser vendida CASE Austin Labs Yield Management A área em vermelho indica o volume que será vendido abaixo do preço quando você percebe que ainda terá que vender o volume que está sobrando. Posição de carteira de vendas Posição ideal de venda Note que o desbalanceamento entre venda e disponibilidade de produto piora com o tempo. Quanto mais próximo da semana, maior o GAP de vendas, aumentando o estoque, sendo obrigado a dar maiores descontos. É o caso mais comum. Semanas restantes para vender 16

16 Saldo de produção a ser vendida CASE Austin Labs Yield Management Nesta situação, a área em verde indica perda de oportunidades financeiras onde poderia ter se aumentado o preço em função de uma demanda superior à prevista Posição ideal de venda Posição de carteira de vendas Esta situação geralmente leva à falta de produtos, porque acaba se vendendo mais do que o necessário antes de perceber que a demanda iria aumentar. Semanas restantes para vender 17

17 Saldo de produção a ser vendida CASE Austin Labs Yield Management Sistema reconhece que estamos 8% mais vendidos do que o ideal e sugere um aumento de preços Posição ideal de venda Sistema percebe que se está 10% mais vendido do que o ideal e sugere um aumento de preços ou redução de descontos. Posição de carteira de vendas Sistema percebe que após o aumento de preços, a venda está 5% abaixo do ideal e sugere uma pequena redução no preço ou aumento de desconto. Semanas restantes para vender 18

18 CASE Austin Labs Yield Management Forecast Qual será a minha disponibilidade de produto para venda considerando sazonalidade do meu supply, restrições de linha, contratos existentes, estoques e carteira de pedidos? Qual a tendência de preço do e demanda Mercado? Qual a minha posição ideal de venda para as próximas semanas? Econometria Qual o impacto a alteração do preço causa na demanda? Otimização Que preço otimiza o montante de margem e ao mesmo tempo equilibra a minha demanda? Em quais canais/regiões devo atuar? Qual o mix de produção que traz mais rentabilidade pra companhia? Estatística Qual o preço limite por produto e cliente? Qual o limite superior e inferior do meu preço para não travar o cliente e não causar impacto negativo na margem? 19

19 CASE Austin Labs Yield Management Onde se Aplica? HOTELARIA CIAS AÉREAS PROTEÍNAS E PERECÍVEIS INGRESSOS BASQUETE LOCAÇÃO DE VEÍCULOS EDUCAÇÃO 20

20 CASE Austin Labs Pricing / Revenue Management Produtos industrializados Bens de Consumo Vendas Estoque Informações de Mercado KPIs de Produtividade Trade Spends LEAD MEASURES 21

21 CASE Austin Labs Pricing / Revenue Management Receita Margem Produtos industrializados Varejo / Distribuição = preço quantidade = (preço custo) quantidade Otimiação de Preços Encontrando o preço ótimo através de elasticidade de preços Receita Custo Preço ótimo Margem Quantidade Preço 22

22 Margem CASE Austin Labs Pricing / Revenue Management Otimização de Preços Eqluilibrando Demanda e Oferta Produtos industrializados Varejo / Distribuição Aumenta Margem Aumenta Margem e Receita Fronteira de Eficiência (calculado com dados históricos) Atual X Aumenta Receita Receita 23

23 Retail Data Science Modules Otimização de Preços Anállise de Elasticidade de Preços Volume vs Price Analysis & Dispersion 24

24 Retail Data Science Modules Pricing Optimization Finding the optimal price with price elasticity Efficient Frontier Atual

25 Retail Data Science Modules Pricing Optimization Finding the optimal price with price elasticity Margem Estimada Sugestão de Preços Impacto Estimado Volume

26 Big Data é o futuro?

27 Não

28 Big Data já é o presente!

29 E está muito mais próximo do que você imagina

30 Esta apresentação está disponível em: (11)

31 Renato Tatsuya Akamine (11)