IA na precificação do varejo: como remarcar preço sem perder margem nem competitividade

Remarcar preço é a tarefa que mais mexe no lucro e a que menos gente faz com método. Na maioria das lojas o processo é o mesmo: chega a nota com custo novo, alguém aplica o markup de sempre, e pronto. Quando o custo sobe muito, o preço sobe junto e o item para de vender. Quando sobe pouco, ninguém remarca e a margem some sem barulho.

O problema não é falta de inteligência, é escala. Uma loja com três mil itens não consegue pensar item a item toda semana. É exatamente aí que a IA tem uso real na precificação, e também onde ela costuma ser vendida com promessa maior do que entrega.

Por que remarcar no olho custa caro dos dois lados

Existem dois erros simétricos na remarcação manual, e a maioria das lojas comete os dois ao mesmo tempo, em produtos diferentes.

O primeiro é remarcar de menos. O custo de reposição subiu, mas o preço de venda continua o de três meses atrás porque ninguém reparou. O item continua vendendo bem, o gestor fica satisfeito, e a margem real daquele item já está metade do que ele imagina. Esse erro é invisível: nada dá errado na tela, o dinheiro simplesmente não aparece no fim do mês.

O segundo é remarcar demais, aplicando o mesmo markup em tudo. Num mercado de bairro, subir 8% no arroz e 8% num item de limpeza pouco procurado tem efeitos opostos: o arroz é comparado pelo cliente todo dia, o item de limpeza não é. O markup único trata os dois como iguais e entrega o pior dos mundos, perde venda no primeiro e deixa dinheiro na mesa no segundo.

Para dimensionar o estrago, vale antes ter clareza sobre como calcular a margem de lucro, porque boa parte das lojas conversa sobre markup achando que está falando de margem.

O que a IA consegue calcular que a planilha não dá conta

A vantagem aqui não é sofisticação matemática, é volume. Nenhum gestor consegue olhar três mil itens por semana cruzando quatro variáveis. Um modelo consegue, toda semana, sem cansar.

As entradas que realmente importam são poucas e todas já existem dentro do sistema de gestão:

• Custo de reposição atual, não o custo médio histórico, que atrasa a leitura
• Histórico de venda por faixa de preço, para ver como o item se comportou quando já custou mais e quando custou menos
• Cobertura de estoque, em dias, porque item com 90 dias de cobertura pede decisão oposta à de item com 5
• Sazonalidade do item, que evita interpretar queda de estação como reação a preço
• Margem atual contra margem alvo da categoria

Com isso, a saída útil não é uma tabela de preços nova. É uma lista de exceções: trinta itens que merecem atenção esta semana, cada um com o motivo. Item com custo 11% acima e preço intocado há quatro meses. Item com margem abaixo do alvo e cobertura de estoque confortável, que aguenta subir. Item com estoque alto e venda caindo, que pede o contrário.

Sensibilidade a preço: o conceito que muda a conta

A pergunta que interessa não é ‘quanto posso cobrar?’, é ‘quanto de venda eu perco se cobrar mais?’. Produtos respondem de forma muito diferente ao mesmo aumento percentual, e essa diferença é mensurável a partir do próprio histórico da loja.

Um exemplo concreto de papelaria: a mesma loja subiu 10% no papel sulfite e 10% numa linha de canetas coloridas. O sulfite perdeu quase um terço do volume, porque quem compra resma compara preço e compra em quantidade. A caneta não mudou de patamar, porque é compra de impulso, valor baixo, e o cliente não carrega o preço de referência na cabeça.

Essa leitura por item é o que separa precificação de reajuste. O reajuste aplica o mesmo número em todo mundo. A precificação pergunta, item por item, onde o aumento passa despercebido e onde ele custa venda. Como o histórico de cada loja é diferente, a resposta não vem de manual, vem do dado próprio.

Vale um alerta de método: correlação não é causalidade. Se a venda caiu na mesma semana em que o preço subiu, pode ter sido o preço, pode ter sido chuva, falta de estoque, ou o concorrente em promoção. O modelo precisa de janelas comparativas e de múltiplas ocorrências antes de tratar uma queda como resposta a preço. É o mesmo cuidado que aparece em previsão de impacto de promoções com IA.

Âncora, cauda e o meio de campo

Nem todo item merece o mesmo tratamento. Na prática, o catálogo se divide em três grupos com lógicas de decisão distintas.

O erro estratégico mais comum é inverter isso: gastar a reunião de segunda discutindo o preço de itens de cauda, que somados não pagam a reunião, e deixar o meio de campo no automático sem ninguém olhar, que é justamente onde está a maior parte do lucro.

Para separar esses grupos, a curva de contribuição ajuda mais que a curva de volume. Um item pode vender muito e contribuir pouco. O caminho de identificação está detalhado em IA para identificar produtos líderes e vilões.

Onde a IA erra feio, e vale saber antes

Prometer que o modelo resolve precificação sozinho é o caminho mais rápido para o projeto ser abandonado em dois meses. Os limites são concretos.

• Cadastro ruim quebra tudo. Unidade errada, fator de conversão ausente ou produto duplicado fazem o modelo comparar coisas diferentes e sugerir absurdo com confiança.
• Custo desatualizado envenena a saída. Se o sistema guarda custo médio antigo em vez de custo de reposição, toda sugestão nasce errada.
• Histórico curto não ensina. Item novo, sem histórico de faixas de preço, não tem o que ser inferido. Aí é decisão humana mesmo.
• Contexto local não está no dado. Concorrente que abriu na esquina, obra na rua, fábrica que demitiu no bairro: nada disso aparece no sistema, e tudo isso muda a resposta a preço.
• Reação em cadeia. Subir um item pode derrubar a venda de outro que costuma sair junto. Modelo que olha item isolado não enxerga isso.

O primeiro ponto é o mais subestimado. Boa parte dos projetos de precificação inteligente morre por causa de cadastro, não de algoritmo. Começar por organizar o cadastro de produtos não é desvio, é pré-requisito.

Preço é assunto regulado, e isso limita o automatismo

Duas restrições práticas precisam entrar no desenho antes de ligar qualquer automação. A primeira é de conformidade: a informação de preço ao consumidor é regulada no Brasil, com exigência de clareza e ostensividade no Código de Defesa do Consumidor e regras específicas de afixação na Lei 10.962 de 2004. Preço que muda no sistema e não muda na etiqueta é problema, não detalhe operacional.

A segunda é de confiança. Divergência entre o preço exposto e o preço cobrado no caixa é a maneira mais rápida de perder um cliente recorrente, e ela aumenta com a frequência de remarcação. Quanto mais ágil a precificação, mais disciplinado precisa ser o processo de etiqueta.

Isso tem uma consequência de projeto: a frequência de remarcação deve ser limitada pela capacidade da loja de atualizar etiqueta, não pela capacidade do sistema de calcular. Um modelo que sugere mudanças diárias numa loja que reetiqueta uma vez por semana não é um modelo melhor, é um gerador de conflito no caixa.

Como começar em 30 dias sem quebrar a loja

A implantação que costuma funcionar é estreita e mensurável, não ampla e ambiciosa.

• Semana 1. Escolher uma categoria só, de tamanho médio, e arrumar o cadastro e o custo de reposição dos itens dela.
• Semana 2. Marcar quais itens da categoria são âncora. Em geral são poucos, e eles ficam fora da automação desde o início.
• Semana 3. Rodar a sugestão sem aplicar. Comparar com o que o gestor faria no olho e discutir as divergências, que é onde está o aprendizado.
• Semana 4. Aplicar em metade dos itens, manter a outra metade como controle e medir margem e volume nas duas metades.

A metade de controle é o que transforma opinião em evidência. Sem ela, qualquer variação de venda vai ser atribuída à precificação, para o bem e para o mal, e a decisão de expandir ou abortar vai ser tomada por impressão.

Uma última observação de processo: o passo que mais mata esse tipo de projeto não é técnico. É não ter definido quem olha a lista de exceções, em que dia, e quem tem autonomia para aprovar. Lista que ninguém abre vira ruído em duas semanas, por melhor que seja o cálculo por trás dela.