Inteligência Artificial para Precificação Otimizada

A Inteligência Artificial e o Machine Learning são o cérebro por trás das recomendações inteligentes da Kompara. Nossos modelos analisam milhões de pontos de dados para prever comportamentos do mercado e sugerir preços ótimos.

Quais Problemas a IA Resolve em Precificação?

Modelos de Machine Learning Utilizados

1. Previsão de Séries Temporais

Para prever preços futuros, usamos modelos especializados em dados temporais:

# Exemplo simplificado: Previsão com XGBoost
import xgboost as xgb
from sklearn.preprocessing import StandardScaler

# Features de entrada
features = [
    'precio_actual',
    'precio_promedio_30d',
    'volatilidad',
    'posicion_ranking',
    'dia_semana',
    'mes',
    'distancia_precio_min',
    'distancia_precio_max',
    'tendencia_7d',
    'competidores_activos'
]

# Treinamento
model = xgb.XGBRegressor(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=6,
    objective='reg:squarederror'
)

model.fit(X_train, y_train)

# Previsão
predicted_price = model.predict(X_new)[0]
confidence = model.predict_proba(X_new)

2. Clustering e Segmentação

Agrupamos produtos e concorrentes com comportamentos semelhantes:

# K-Means para segmentar concorrentes
from sklearn.cluster import KMeans

# Features de comportamento
features = [
    'frecuencia_cambios_precio',
    'amplitud_promedio_cambios',
    'tiempo_respuesta_competencia',
    'agresividad_descuentos',
    'consistencia_liderazgo'
]

# Segmentação em 4 perfis
kmeans = KMeans(n_clusters=4, random_state=42)
competitor_profiles = kmeans.fit_predict(competitor_data)

# Perfis típicos:
# 0: "Price Leader" - Sempre mais barato
# 1: "Follower" - Segue o mercado
# 2: "Premium" - Preços altos, pouca variação
# 3: "Aggressive" - Mudanças frequentes e drásticas

3. Otimização de Preços

Encontramos o preço ótimo que maximiza os objetivos de negócio:

# Otimização com restrições
from scipy.optimize import minimize

def objective_function(price, cost, competition_prices):
    # Modelo de demanda (elasticidade)
    base_demand = 1000
    elasticity = -2.5
    
    # Efeito da concorrência
    price_position = np.percentile(competition_prices, 50)
    competition_factor = 1 - ((price - price_position) / price_position) * 0.5
    
    # Demanda estimada
    demand = base_demand * (price / base_price) ** elasticity * competition_factor
    
    # Lucro
    profit = (price - cost) * demand
    
    return -profit  # Negativo porque minimize busca mínimos

# Restrições
constraints = [
    {'type': 'ineq', 'fun': lambda x: x - cost * 1.1},  # Mín 10% margem
    {'type': 'ineq', 'fun': lambda x: max(competition_prices) * 1.05 - x}  # Max 5% acima da concorrência
]

# Otimizar
result = minimize(
    objective_function,
    x0=current_price,
    args=(cost, competition_prices),
    constraints=constraints,
    method='SLSQP'
)

optimal_price = result.x[0]

Engenharia de Features: A Chave para o Sucesso

A qualidade das previsões depende muito das features que criamos:

Features Temporais

• Estatísticas móveis: Média móvel 7/30/90 dias
• Volatilidade: Desvio padrão dos preços
• Tendência: Regressão linear sobre janela temporal
• Mudanças relativas: % mudança vs dia/semana/mês anterior
• Sazonalidade: Dia da semana, mês, quinzena, feriados

Features de Concorrência

• Posição no ranking: 1º, 2º, 3º mais barato
• Gap com concorrência: Distância ao preço mais baixo/alto
• Tempo como líder: Dias consecutivos sendo o mais barato
• Agressividade do mercado: Frequência de mudanças no setor

Features de Produto

• Elasticidade histórica: Sensibilidade da demanda ao preço
• Margem atual: (Preço - Custo) / Preço
• Estoque: Estoque disponível / Velocidade de rotação
• Popularidade: Visitas, conversões, buscas

Pipeline de Machine Learning

1. Ingestão de Dados
   └─> Scraping de preços a cada hora
   └─> Dados de vendas internos
   └─> Eventos externos (feriados, campanhas)

2. Engenharia de Features
   └─> Cálculo de features temporais
   └─> Features de concorrência
   └─> Normalização e escalonamento

3. Treinamento
   └─> Divisão temporal de treino/validação/teste
   └─> Ajuste de hiperparâmetros (GridSearch/Bayesian)
   └─> Validação cruzada com janela deslizante
   └─> Ensemble de múltiplos modelos

4. Avaliação
   └─> MAE, RMSE, MAPE
   └─> Backtesting em dados históricos
   └─> Teste A/B em produção

5. Implantação
   └─> Modelo em produção (API)
   └─> Monitoramento de drift
   └─> Re-treinamento automático semanal
            

Detecção de Anomalias com Isolation Forest

Identificamos preços suspeitos ou erros automaticamente:

# Detecção de anomalias
from sklearn.ensemble import IsolationForest

# Features para detectar anomalias
features = [
    'precio_normalizado',
    'cambio_porcentual',
    'distancia_media',
    'frecuencia_cambios'
]

# Modelo
iso_forest = IsolationForest(
    contamination=0.01,  # 1% dos dados são outliers esperados
    random_state=42
)

# Detectar
anomalies = iso_forest.fit_predict(price_data)

# -1 = anomalia, 1 = normal
suspicious_prices = price_data[anomalies == -1]

# Alertar para revisão manual
for price in suspicious_prices:
    alert_system.send(
        message=f"Preço anômalo detectado: {price.store} - {price.product}",
        severity="medium",
        requires_review=True
    )

Aprendizado por Reforço para Precificação Dinâmica

Experimentamos com RL para aprender políticas ótimas de precificação:

Interpretabilidade e Explicações

É crucial explicar POR QUE o modelo sugere um certo preço:

# SHAP para explicabilidade
import shap

# Valores SHAP
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_new)

# Top 5 features mais influentes
feature_importance = pd.DataFrame({
    'feature': features,
    'importance': np.abs(shap_values[0])
}).sort_values('importance', ascending=False).head(5)

# Explicação para o usuário:
explanation = f"""
Recomendamos o preço de R${predicted_price:.2f} porque:
1. Seu concorrente principal baixou os preços ontem (-8%)
2. Você está na 3ª posição atual (perdendo vendas)
3. Sua margem permite baixar até R${min_price:.2f}
4. O modelo prevê que o concorrente subirá em 2-3 dias
5. Temporada de alta demanda (Q4)
"""

Resultados Reais

Ferramentas e Stack

Desafios e Lições Aprendidas

1. Data Drift

O comportamento do mercado muda constantemente. Solução: Re-treinamento semanal e monitoramento de performance.

2. Problema de Cold Start

Produtos novos sem histórico. Solução: Transfer learning de produtos similares.

3. Causalidade vs Correlação

Nem todo padrão é causal. Solução: Teste A/B rigoroso antes de confiar nas previsões.

4. Explicabilidade

Caixas-pretas não geram confiança. Solução: Valores SHAP e explicações humanas.