El área comercial de la empresa en que el proyecto fue desarrollado tenía problemas para ajustar los precios por poseer más de 20.000 SKUs. Como consecuencia de esto, muchos clientes desisten de contratos, por divergencia de precio comparado a competidores, o incluso no poder practicar el precio más compatible con la entrega de valor. Otro desafío que la empresa enfrentó fue el aumento en el precio de la logística, provocada por la crisis de los conteiner.
Este volumen de SKUs, la dinamicidad que los costos asumieron por la crisis hacía que los ajustes de precios fuesen hechos de forma rápida y asertiva, no obstante, las dificultades en este proceso hicieron que el tiempo gastado de análisis y ajustes fuese de 6 meses.
En términos más claros, las necesidades del equipo de comercial eran:
- Fijar el precio de todos los productos, de forma individualizada y dinámica, teniendo en consideración sus características técnicas, el perfil de cada cliente globalmente, regiones de ventas y las tasas de cambio (forex);
- Orientar a cada segmento de ventas con información sobre productos potenciales para aumentar los ingresos netos, de forma comparativa;
- Suministrar el historial promedio de los precios;
- Suministrar el Precio Promedio Ponderado por Volumen (VWAP) de los productos;
- Tener una herramienta eficiente para la negociación de ventas, logrando potenciar el margen de beneficio en las negociaciones.
Utilizando la metodología CRISP-DM, todo entendimiento inicial fue construido durante la primera etapa, el Business Understanding donde el esfuerzo fue concentrado para entender el proceso comercial, las oportunidades, las lagunas, los dolores, las necesidades y el impacto de este proceso en la cadena de valor de la empresa. Para este proceso, fueron utilizadas las preguntas claves de negocio, las KBQs (Key business questions), para guiar todo el proyecto.
Este entendimiento guió la creación de una solución de IA para suministrar, de forma dinámica, los precios para las SKUs. El plan macro de la solución consideró:
- Generar un conjunto de modelos de regresión lineal de precios de productos en todo el mercado en que esta empresa opera, con la posibilidad de analizar también localmente.
- Expansión de la información técnica de los materiales incluyendo productos híbridos (productos únicos, no destacables y proyectados para desempeñar la función de dos o más productos) en el análisis.
- El máximo de información del cliente para distinguir su área de operación.
- Monitoreo de la evolución del ticket medio para evitar la agitación.
- Búsqueda por aumento de los ingresos netos en el mayor número de escenarios posible, de forma consistente y cómoda.
Ejemplos de parámetros contemplados por el algoritmo son: información intrínseca del material (capacidad, voltaje, entre otros), así como parámetros provenientes de los mercados en que estos materiales están siendo vendidos, e información de los clientes y sus áreas de operación.
La IA está basada en la lista de precios y, a través de una API que acompaña la variación cambiaria de forma integrada a la solución, obtiene la media móvil exponencial de los últimos 30 días del mercado de cambio.
La solución desarrollada fue una aplicación web que les permite a los usuarios comparar los precios practicados, de cualquier material, con precios sugeridos por el algoritmo de IA en cuestión de segundos. La solución también posee una gama de filtros y parámetros, como región de venta, familia de producto, perfil de cliente, entre otros, para auxiliar a los usuarios a direccionar su análisis en el caso que sea deseado. El usuario también tiene la capacidad de visualizar el impacto que la fluctuación cambiaria tuvo sobre el precio en el período seleccionado, tornando esta solución aún más robusta.
El análisis de precificación a partir de un algoritmo de IA permitió expandir la capacidad de análisis mucho más allá de lo que sería posible para que un humano realice, contemplando decenas de parámetros simultáneamente, direccionando la compañía a una toma de decisión orientada por datos. Como resultado, la solución fue capaz de traer un retorno de hasta 4% en los ingresos, con los precios practicados a partir del algoritmo de IA.
Al final del 2022 el equipo de TI de Nidec Global Appliance fue premiado por 4Network – Portal IT4CIO con el case NIDEC Lakehouse soportando en la Precificación Inteligente.
Testimonio sobre el case:
“Al final del 2022 el equipo de TI de Nidec Global Appliance fue premiado por 4Network – Portal IT4CIO con el case NIDEC Lakehouse soportando en la precificación inteligente.
Esta entrega fue resultado de un trabajo en conjunto con Dojo Smart Ways, empresa asociada especialista en datos de Nidec.
La jornada orientada a datos genera aumento de la capacidad analítica para que los gestores se enfoquen menos en el proceso de consolidación y más en la toma de decisiones asertivas.
Este proyecto que lideré vino para soportar un problema de la compañía: cómo responder al escenario cada vez más desafiante de precificación.
Con presencia mundial, los productos Embraco / Nidec Global Appliance tienen capilaridad en diversos clientes y una gama de SKUs para satisfacer todas las necesidades de refrigeración: aplicaciones médicas, preservación de alimentos, vending machines, entre otros. En este escenario complejo, el uso de la tecnología es fundamental para guiar a la compañía en la misión de optimizar el resultado a través de la política de precios.
En NIDEC Data Lakehouse (nuestra plataforma de datos) reunimos y transformamos todas las bases de datos necesarias para los análisis de precificación (y no son pocos, jajaja). Con todo listo y consolidado en lo que llamamos capa “trusted”, un portal web consume esta información y suministra los datos para ser visualizados. Aquí el usuario tiene la capacidad de utilizar los diversos filtros para realizar sus análisis personalizados y buscar insights.
También en la misma solución tenemos un algoritmo que, utilizando datos históricos y condiciones específicas insertadas por el usuario, retorna una recomendación de precio que orienta el trabajo de los gestores.”
Matheus Dantas de Queiroz
