De até 15 dias para o mesmo dia
no ciclo de precificação
Introdução
Uma empresa do setor de locação de equipamentos e serviços de engenharia, com 60 filiais distribuídas pelo Brasil e mais de 2.200 combinações entre equipamentos e filiais, enfrentava um processo de precificação inteiramente manual, descentralizado e dependente de planilhas complexas. A Objective foi contratada para transformar esse cenário, desenvolvendo um motor inteligente de precificação capaz de automatizar decisões, incorporar regras de negócio e escalar com consistência para toda a operação.
Destaques
~30 minutos de processamento
vs até 2 horas só para abrir a planilha anterior
2.200 combinações de preço
automatizadas entre equipamentos e filiais
60 filiais
com visibilidade unificada para a diretoria executiva
5 anos de histórico de dados
estruturados criados do zero
Contexto e desafio da empresa
A empresa operava com um modelo de formação de preços baseado em regras manuais, análises descentralizadas e uma planilha Excel com milhares de vínculos encadeados, que chegava a levar duas horas apenas para abrir. Com aproximadamente 2.200 combinações entre equipamentos e filiais espalhadas por 60 unidades no Brasil, o processo exigia elevado esforço operacional e apresentava limitações críticas de escalabilidade, consistência e governança. O ciclo completo de precificação durava entre uma e duas semanas, chegando a 15 dias — e qualquer revisão de preço diante de uma mudança de mercado seguia o mesmo ritmo lento. Além disso, as decisões dependiam do conhecimento individual de cada analista, sem padronização entre filiais e sem histórico estruturado que permitisse análise ou aprendizado contínuo.
Solução
A Objective desenvolveu um motor automatizado de precificação combinando machine learning, modelos estatísticos e as regras de negócio da própria empresa, construído de forma colaborativa com os times de pricing, estatística e negócios do cliente. O processo partiu da estruturação de um histórico de dados retroativo a cinco anos, seguido pela definição das entradas e saídas do modelo, construção e validação dos algoritmos e implementação das regras comerciais com parâmetros locais por filial. O modelo escolhido foi o CatBoost, selecionado com participação ativa do cliente entre cinco opções avaliadas. A solução incluiu ainda a criação de bandas de tolerância com piso e teto de preço, um processo de monitoramento contínuo e ciclos recorrentes de retreinamento, garantindo que o motor evoluísse junto com o negócio. Toda a infraestrutura foi construída sobre o ambiente já utilizado pelo cliente, com AWS e Databricks como plataformas base.
Estruturação de histórico de dados retroativo a 5 anos
Modelo personalizado por equipamento e filial, 2.200 combinações automatizadas
Bandas de tolerância com piso e teto de preço e alertas para desvios
Monitoramento contínuo e processo de retreinamento do modelo
Governança por MVPs com ciclos recorrentes de melhoria
Stack: CatBoost, AWS, Databricks
Resultados
A implantação do motor inteligente de precificação transformou um processo que durava até 15 dias em uma operação que roda em cerca de 30 minutos, com dados confiáveis, rastreáveis e padronizados para todas as filiais. Em um mercado de locação de equipamentos, marcado por alta competitividade, forte variação regional de demanda, sazonalidade das obras, pressão por margens, ociosidade de ativos e diferenças relevantes de preço entre regiões, a capacidade de precificar com base em dados se torna um diferencial estratégico.
Nesse contexto, um projeto de precificação da locação baseado em dados regionais permite que a empresa avalie melhor fatores como demanda local, disponibilidade de equipamentos, perfil dos clientes, concorrência, histórico de utilização, margem por filial e potencial de ocupação da frota. Com isso, a companhia passa a definir preços mais aderentes à realidade de cada mercado, evitando tanto perdas de receita por subprecificação quanto perda de competitividade por preços desalinhados.
O time de pricing, antes dedicado a alimentar e corrigir planilhas, passou a atuar de forma estratégica, com estimativa de 50% de ganho de produtividade.
A diretoria executiva ganha uma visão unificada das unidades por meio de dashboards, permitindo acompanhar oportunidades de margem, regiões com maior potencial, equipamentos com baixa utilização e variações de preço entre filiais. O conhecimento antes concentrado em analistas individuais é incorporado ao algoritmo como uma base estruturada de regras de negócio, aumentando a consistência e a escalabilidade da tomada de decisão.
Como resultado, a empresa pode obter maior rentabilidade nas locações, melhor aproveitamento da frota, redução da ociosidade dos ativos, maior agilidade comercial, padronização das decisões de preço e aumento da previsibilidade dos resultados. A continuidade do projeto, com expansão de capacidades e refinamento do modelo a partir do uso real, demonstra a confiança gerada pela solução e reforça seu papel como alavanca para uma gestão comercial mais inteligente e orientada por dados.
