Precificação: a diferença entre ser e parecer mais barato –  (e como o Big Data pode ajudar)

Precificação: a diferença entre ser e parecer mais barato – (e como o Big Data pode ajudar)

Há uma grande diferença entre ser mais barato e ser percebido como mais barato. De fato, os
dados mostram claramente que a correlação entre percepção e competitividade (preço
relativo à concorrência) é muito baixa. Ou seja, com raras exceções o supermercado mais
barato é realmente percebido como tal.

por Adriano Araujo – Vice Presidente América Latina da Symphony EYC

 
O segredo de uma boa percepção de preço não está em tentar ser indiscriminadamente mais
barato que a concorrência. Mas, sim, em ser mais competitivo nos produtos certos: aqueles
que são importantes para clientes sensíveis a preço e que determinam a imagem de preço do
varejista.

 
Boa parte dos varejistas possui uma lista de produtos que usa para comparar os seus preços
com os da concorrência. Essa lista tem vários nomes: produtos notáveis, produtos sensíveis.
Em inglês, são os chamados Key Value Items (KVIs).

 
O método mais comum para definir essa lista baseia-se em vendas e no conhecimento tácito
de gestores comerciais. Eles selecionam manualmente produtos de alto giro que imaginam ser
formadores de imagem de preço. Mas há um problema: nem sempre os produtos que mais
vendem são os que geram imagem de preço.

A análise de Big Data pode ajudar a construir uma lista de produtos para comparação de
preços muito mais assertiva. O primeiro passo é segmentar as cestas de compra por
sensibilidade a preço – ou seja, as que consistentemente têm produtos mais baratos das
categorias. O segundo é entender quais os produtos mais importantes para esses clientes –
eles formarão a imagem de preço.

 
Por experiência, 70% da lista construída com essa metodologia será igual à versão manual dos
gestores comerciais. O ganho está exatamente nos 30% dos produtos que são diferentes. Isso
quer dizer que varejistas estão jogando fora 30% do seu investimento em margem, apostando
em produtos que não são formadores de preço. Uma lista de KVIs otimizada economiza
margem ao focar o investimento nos produtos certos.

 
Além das listas de competitividade, os dados podem ajudar a refinar toda a estratégia de
preço:
1. Segmentação de clientes por sensibilidade a preço – Supermercados com dados de
clientes de programas de fidelidade ou meios de pagamento podem segmenta-los de
acordo com o comportamento de compra. A ideia é agrupar os clientes que sempre
adquirem os produtos mais baratos na maior parte das categorias. Entender o
comportamento deles é essencial na melhoria da percepção de preços.
2. Otimização da clusterização de lojas ou zonas de preço – Boa parte dos supermercados
agrupa suas lojas em zonas de preço definidas com base na região onde a loja está. Lojas
em bairros nobres são lojas “A” enquanto lojas em bairros populares são lojas “D/E”. O
problema é que nem sempre a localização da loja define o seu público e sensibilidade a
preço. Com o uso da análise de dados, podemos clusterizar lojas com base no comportamento
real dos clientes.
3. Foco do investimento em promoção – Análise de dados permite não só identificar quais
os produtos são importantes na formação de imagem de preço, mas também a
elasticidade promocional de cada item. Se o produto não responde à promoção, não é
recomendável queimar margem, uma vez que não há geração de incremento de vendas.
Assim, pode-se ter estratégias mais adequadas ao definir quais são os itens que devemos
colocar em promoção frequentemente e quais os que devem ser mantidos em uma
estratégia de preço justo diariamente.


menu
menu