October 16, 2026
Aplicações de Inteligência Artificial e Simulação Computacional na Formação de Preços e Gestão de Liquidez
Aplicações de Inteligência Artificial e Simulação Computacional na Formação de Preços e Gestão de Liquidez
Paulo José Souza de Assunção; Rafael Confetti Gatsios
DOI: 10.22167/2675-6528-202603359
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O estudo, de caráter exploratório, investigou como técnicas de Inteligência Artificial e Simulação Computacional podem ser aplicadas à formação de preços com foco na gestão da liquidez empresarial. O objetivo foi propor e ilustrar um método de Precificação Dinâmica Adaptativa Orientada pelo Caixa, no qual a definição de preços dependeu de seus efeitos esperados sobre as vendas e, subsequentemente, sobre a trajetória do fluxo de caixa. Para isso, desenvolveu-se um caso hipotético com dados sintéticos de preços e vendas, um modelo preditivo de vendas em função do preço próprio e do preço médio da concorrência, um modelo de projeção de fluxo de caixa capaz de incorporar prazos de recebimento, inadimplência, custos transacionais, reposição de estoque e custos fixos, e um simulador computacional para avaliação de cenários competitivos. O processo de modelagem preditiva comparou diferentes algoritmos de aprendizado de máquina, sendo selecionada uma regressão linear com termos quadráticos e de interação por apresentar desempenho preditivo competitivo, boa capacidade de generalização e maior interpretabilidade. Os resultados das simulações indicaram que a abordagem proposta superou um cenário baseline de preço fixo sob a ótica da liquidez, produzindo trajetórias de caixa superiores na maior parte do horizonte analisado. Concluiu-se que a precificação pode ser tratada não apenas como um problema comercial, mas também como um problema de gestão do caixa, abrindo espaço para aplicações práticas e estudos futuros com dados reais, múltiplos produtos e métodos mais avançados de decisão sequencial.
Palavras-chave: Aprendizado de Máquina; Fluxo de Caixa; Precificação; Simulação Computacional; Tomada de Decisão.
1. Introdução
A formação de preços é um dos pilares estratégicos no mix de marketing de qualquer organização, exercendo uma influência significativa sobre o volume de vendas e, consequentemente, sobre a saúde financeira da empresa. Pesquisas de longa data demonstram que o impacto do preço nas vendas frequentemente supera o das ações promocionais, com a elasticidade-preço da demanda sendo, por vezes, múltiplos fatores maior do que a elasticidade associada a publicidade e descontos (Sethuraman e Tellis, 1991). Embora os efeitos variem conforme o setor e o contexto, há um consenso de que o preço base possui uma influência mais consistente e estrutural sobre a demanda, enquanto as promoções tendem a gerar impactos de curto prazo (Bijmolt et al., 2005). Dessa forma, a manutenção de uma política de preços adequada é crucial para a estratégia competitiva das empresas (Nagle et al., 2024).
A definição de preços é um processo complexo, moldado por múltiplos fatores que incluem custos, preços da concorrência, valor percebido pelo consumidor, posicionamento estratégico e características comportamentais da demanda (Kotler e Keller, 2016; Nagle et al., 2024). No entanto, a literatura aponta que a precificação é frequentemente conduzida de forma subótima, resultando em perda de receita, margem e, em casos extremos, em dificuldades financeiras (Nagle et al., 2024). As dificuldades derivam de diversas origens, como o foco excessivo em custos em detrimento do valor percebido (Nagle et al., 2024), a subestimação de fatores psicológicos da demanda (Monroe, 2002), o desalinhamento entre posicionamento e qualidade (Kotler e Keller, 2016), a complexidade competitiva de mercados (Simon e Fassnacht, 2018), limitações de dados e capacidades analíticas (Hinterhuber, 2008), a fragmentação do processo decisório entre áreas (Hinterhuber e Liozu, 2012) e a volatilidade macroeconômica. Erros de precificação podem comprometer a sustentabilidade do negócio, especialmente em setores com apostas financeiras significativas (Talluri e Van Ryzin, 2005).
Nesse cenário, a Inteligência Artificial (IA) emerge como uma tecnologia promissora para mitigar as limitações tradicionais da formação de preços em grandes empresas (Adam et al., 2025). Algoritmos de aprendizado de máquina possibilitam a análise de grandes volumes de dados de vendas, custos e concorrência, superando as restrições analíticas dos métodos convencionais (Chenavaz e Dimitrov, 2025). Modelos de elasticidade baseados em IA capturam com maior precisão a sensibilidade da demanda a diferentes níveis de preço, incorporando fatores psicológicos e comportamentais (Adam et al., 2025). Além disso, métodos quantitativos com IA viabilizam a simulação de cenários macroeconômicos e regulatórios, antecipando impactos diversos (Talluri e Van Ryzin, 2005).
Sob a ótica financeira, a literatura destaca que o fluxo de caixa e a liquidez são determinantes cruciais para a sobrevivência empresarial, particularmente em contextos de alta volatilidade e restrição de crédito (Baños-Caballero et al., 2014; Atrill, 2020). Empresas com baixa liquidez enfrentam maior risco de insolvência e menor capacidade de investimento. Estudos indicam que decisões inadequadas de precificação comprometem diretamente a geração de caixa operacional e o ciclo financeiro (Milan et al., 2016). Preços desalinhados com os custos marginais afetam margens, capital de giro e a capacidade de sustentar operações, tornando a precificação um instrumento central de gestão da liquidez (Brealey et al., 2020). A ausência de mecanismos analíticos robustos leva a decisões subótimas que comprometem o desempenho comercial e financeiro, e a IA é promissora para otimizar o fluxo de caixa e mitigar riscos de liquidez (Adam et al., 2025; Chenavaz e Dimitrov, 2025).
As evidências reforçam a conexão estratégica entre marketing e finanças, sublinhando a importância de investigar como a IA pode aprimorar a formação de preços, especialmente no contexto brasileiro, que se caracteriza pela escassez de ferramentas e profissionais especializados (Souza, 2023). Este estudo teve como objetivo explorar como algoritmos de Inteligência Artificial podem ser aplicados, em conjunto com projeções de fluxo de caixa, à definição de preços, propondo e ilustrando um método de Precificação Dinâmica Adaptativa Orientada pelo Caixa que ajusta preços considerando a concorrência e seus impactos sobre as vendas e o caixa.
2. Material e Métodos
O presente estudo caracterizou-se por uma abordagem exploratória e metodológica, com natureza quantitativa, visando propor e ilustrar um método de precificação dinâmica adaptativa. A pesquisa empregou técnicas de Inteligência Artificial (IA) e Simulação Computacional para subsidiar a gestão da liquidez empresarial por meio da análise e modelagem de decisões de preço. O objetivo central foi desenvolver um método que ajustasse preços considerando a concorrência e seus impactos sobre as vendas e o fluxo de caixa, conforme alinhado com o propósito geral do estudo.
Para a realização da pesquisa, desenvolveu-se um caso hipotético, utilizando-se dados sintéticos de preços e vendas. Essa escolha foi motivada pelas dificuldades na obtenção de dados reais de empresas e concorrentes em quantidade e qualidade suficientes para o treinamento de modelos preditivos. Os dados sintéticos foram gerados a partir de critérios econômicos, buscando reproduzir estruturas estatísticas plausíveis, e foram criados por meio do notebook `tcc_fin_sales_generate_data.ipynb`, disponibilizado no Apêndice 1 do trabalho original. Arbitraram-se para a empresa X um estoque inicial de 750 unidades do produto Ω e um caixa inicial de R$ 250.000,00, utilizados para o processo de geração dos dados.
A modelagem preditiva das vendas foi uma etapa crucial, realizada no notebook `tcc_fin_sales_model.ipynb` (Apêndice 1). O objetivo foi estimar o volume vendido em função do preço praticado pela empresa (P) e do preço médio praticado pela concorrência (mPC). O processo de modelagem estruturou-se em etapas de preparação dos dados, análise exploratória, estimação de modelos candidatos, validação e seleção do modelo final.
Na preparação dos dados, dividiram-se os conjuntos de treinamento e teste por meio de amostragem estratificada, com 75% dos dados para treinamento e 25% para teste, preservando a distribuição da variável resposta. O conjunto de teste foi mantido separado para avaliação final da capacidade de generalização do modelo. O treinamento utilizou validação cruzada do tipo K-fold com K = 4. A análise exploratória incluiu gráficos de dispersão, análise de correlação linear e cálculo do Fator de Inflação da Variância (VIF) para examinar a relação entre os preditores e as vendas.
Como modelo de referência inicial, estimou-se uma Regressão Linear Múltipla (Ordinary Least Squares, OLS). Posteriormente, uma especificação linear expandida, com inclusão de termos quadráticos e de interação, foi adotada como nova baseline, dada sua melhor adequação funcional. Compararam-se diversos algoritmos de Aprendizado de Máquina, incluindo Random Forest Regressor, XGBoost Regressor, Regressão com Funções de Base Radial (RBF) e redes neurais dos tipos RBFNet e Perceptron Multicamadas (MLP).
A seleção do modelo final baseou-se no desempenho médio em validação, priorizando o menor Erro Percentual Absoluto Médio (MAPE) e o maior coeficiente de determinação (R²), além da estabilidade entre os resultados de treino e validação para reduzir o risco de sobreajuste. A regressão linear com termos quadráticos e de interação foi selecionada por conciliar desempenho preditivo competitivo, boa capacidade de generalização e maior interpretabilidade, sendo considerada mais adequada para o contexto de apoio à decisão. Os pressupostos do modelo escolhido foram verificados por testes como Shapiro-Wilk, Breusch-Pagan, Breusch-Godfrey, Linktest e RESET.
Em paralelo, implementou-se um modelo de projeção de fluxo de caixa, detalhado no notebook `tcc_fin_cashflow.ipynb` (Apêndice 1). Este modelo, baseado no método direto, projetou o saldo de caixa para um horizonte de planejamento de T períodos, conforme a equação Saldo(t) = Saldo(t − 1) + Fluxo Líquido(t), onde Fluxo Líquido(t) = Entradas(t) – Saídas(t). O Saldo(0) corresponde ao valor em caixa na data de referência da projeção.
O modelo de fluxo de caixa incorporou diversas premissas e parâmetros operacionais e financeiros. Entre eles, destacam-se a proporção de vendas à vista e a prazo (pvp), o prazo médio de recebimento (mpr), o prazo máximo de recebimento (Mpr), o prazo para o primeiro pagamento (pr1), as proporções de vendas por cartão de crédito (pvpc) e boleto bancário (pvpb), e a taxa de inadimplência (inad). Adicionalmente, consideraram-se alíquota de impostos (i = 15%), comissão de vendas (c = 3%), taxa de cartão de crédito (tcc = 2,59%), custo de emissão de boleto (tb = 2,00 reais), número máximo de parcelas (maxp = 6), custo unitário de aquisição (pc = 370,00 reais), lead time de reposição de estoque (lt = 5 dias úteis), limiar para disparo de compra de estoque (tce = 0,80), pedido mínimo ao fornecedor (pm = 500 unidades), prazo para pagamento da primeira parcela ao fornecedor (ppe = 45 dias), número de parcelas pagas ao fornecedor (npf = 3), custo de frete por pedido de reposição (cf = 1.000,00 reais), janela de projeção de vendas para estoque (jve = 15 dias), janela da média móvel para vendas recentes (mm = 14 dias), fator de segurança de estoque (fse = 1,15), percentual máximo de recuperação amigável (inad_rec = 50%), juros aplicados sobre valores recuperados (inad_rec_intr = 5%), prazo máximo para venda de recebíveis inadimplidos (inad_sold_days = 30 dias úteis), deságio aplicado à venda desses recebíveis (inad_sold_lost = 25%), e limites de preço (min_price = R$ 700,00 e max_price = R$ 1.250,00).
A implementação do modelo de fluxo de caixa utilizou funções como `update_books`, `evaluate_sales`, `evaluate_stock` e `cashflow_forecast` para operacionalizar a atualização de registros financeiros e de estoque, a conversão de vendas em fluxos de caixa e a avaliação da necessidade de reposição de estoque. Essas funções integraram os componentes e produziram a trajetória projetada do saldo de caixa, o livro de operações financeiras e o registro da posição de estoque.
O método de Precificação Dinâmica Adaptativa Orientada pelo Caixa (PDAOC) foi implementado com exemplos no notebook `tcc_fin_pricing.ipynb` (Apêndice 1). Este método estrutura-se na premissa de que o preço influencia o volume de vendas, que por sua vez condiciona as entradas e saídas financeiras. O procedimento combinou previsões de vendas com projeções de fluxo de caixa em simulações computacionais dos fluxos operacionais e financeiros da empresa.
No dia 0, correspondente à data de execução do método, simulou-se um conjunto de cenários futuros em que o preço da empresa X variou dentro de um conjunto predefinido de possibilidades. Assumiu-se que, em um horizonte curto, determinado pelo parâmetro `price_definition_window_size` (padrão de 5 dias), o preço médio da concorrência permaneceria constante ou sofreria variações marginais. O melhor cenário simulado foi definido com base no maior nível mínimo de caixa ou no maior saldo de caixa ao final do horizonte analisado.
A função `generate_competitive_scenarios` construiu trajetórias alternativas para o preço médio da concorrência. A função `run_simulations` combinou cada trajetória de preço da concorrência com diferentes alternativas para o preço da empresa X, formando cenários conjuntos de precificação. Para cada cenário, aplicou-se o modelo preditivo de vendas e acionou-se a função `cashflow_forecast` para projetar os efeitos financeiros e operacionais sobre caixa e estoque. Os resultados foram consolidados e avaliados pela função `eval_sim_results`, que calculou métricas como o menor saldo de caixa (MIN_CB) e o saldo final de caixa (FIN_CB), ordenando os cenários conforme o critério de decisão adotado.
O método PDAOC foi concebido para ser reexecutado caso o preço médio da concorrência sofresse variação significativa ou ao final do intervalo de `price_definition_window_size` dias, permitindo a redefinição do preço com base nas novas condições de mercado e informações atualizadas sobre o fluxo de caixa futuro. Essa abordagem permitiu analisar a relação entre alternativas de preço e os saldos de caixa, utilizando a liquidez como critério para a escolha do preço mais adequado.
3. Resultados e Discussão
O presente estudo desenvolveu e ilustrou um método de precificação dinâmica adaptativa orientada pelo caixa, integrando técnicas de Inteligência Artificial e simulação computacional para otimizar a gestão da liquidez empresarial. A abordagem proposta considerou explicitamente a defasagem temporal entre a realização das vendas e sua conversão em caixa, distinguindo modalidades de recebimento, custos transacionais, tributos, comissões e perdas por inadimplência. Além disso, a dinâmica de reposição de estoque foi modelada com base no comportamento da demanda recente, incorporando fatores como *lead time*, pedido mínimo e fator de segurança, bem como as condições de pagamento aos fornecedores. O método também incluiu a incidência de custos fixos, lançamentos extraordinários e restrições operacionais e financeiras, buscando aproximar a projeção das condições reais de funcionamento de uma empresa.
Os parâmetros do modelo foram organizados em quatro dimensões analíticas principais: comercial, financeira, operacional e de risco. A dimensão comercial abrangeu a composição das vendas entre operações à vista e a prazo, e as condições de parcelamento. A dimensão financeira incluiu tributos, comissões e custos específicos das modalidades de recebimento. A dimensão operacional contemplou os parâmetros de reposição de estoque e suprimento. Por fim, a dimensão de risco incorporou a inadimplência, a recuperação parcial de créditos e a cessão de recebíveis inadimplidos com deságio, além dos limites mínimo e máximo da política de preços. Em conjunto, esses parâmetros estabeleceram as restrições e mecanismos pelos quais a política de preços afeta a trajetória do caixa. A elaboração do modelo buscou equilibrar realismo e simplicidade, incorporando defasagens temporais e custos financeiros, mas com simplificações deliberadas para preservar a tratabilidade.
Uma das principais dificuldades para a aplicação prática da abordagem proposta reside na obtenção de dados próprios de uma empresa e de sua concorrência com a quantidade, qualidade e granularidade suficientes para o treinamento de um modelo preditivo de vendas robusto. Essa dificuldade se intensifica ao incluir variáveis adicionais como investimentos em marketing, descontos e efeitos dinâmicos da comunicação. Em muitas empresas, especialmente as menores, a integração consistente de um conjunto amplo e heterogêneo de dados enfrenta restrições significativas, seja pelo acesso limitado a informações históricas da concorrência, seja por problemas de qualidade ou disponibilidade de dados internos e de terceiros.
Diante dessas limitações e considerando o caráter exploratório e metodológico do estudo, optou-se pela utilização de um conjunto de dados sintéticos, gerados a partir de critérios econômicos para reproduzir estruturas estatísticas plausíveis. O uso de dados sintéticos não comprometeu a validade do arcabouço analítico proposto, servindo como uma etapa intermediária para avaliar a coerência, robustez e potencial da abordagem antes de sua aplicação a dados reais. Para gerar os dados históricos de treinamento do modelo de predição de vendas, simulou-se os preços diários praticados por uma empresa X e por seus principais concorrentes, as empresas A, B e C, para um produto específico.
A simulação de dados incorporou aspectos relevantes da dinâmica de preços de mercado, como a não alteração errática, frequente e abrupta dos preços pelas empresas, e a tendência de mudanças graduais. Foram considerados limites mínimos e máximos para os preços, determinados pela estrutura de custos e pelas condições de mercado. Observou-se também a presença de inércia nos preços, onde a probabilidade de um novo ajuste é menor após um reajuste recente, devido a resistências organizacionais e custos de menu. A pressão competitiva e de desempenho também influenciou as decisões de precificação, com empresas reagindo a preços da concorrência e trajetórias de vendas.
As decisões de preço foram modeladas como baseadas em informações imperfeitas e ruidosas, com empresas reagindo a tendências de desempenho e mercado suavizadas ao longo do tempo, seguindo regras heurísticas de decisão. Um conjunto de 365 dias de dados de vendas foi gerado para a empresa X e seus concorrentes. O sumário estatístico desses dados revelou que o preço da empresa X (P_X) variou de 883,58 a 1.040,26, com média de 958,34 e desvio padrão de 33,41. O preço médio da concorrência (AVG_P_COMP) variou de 915,90 a 1.011,83, com média de 963,43 e desvio padrão de 26,09. As vendas da empresa X (SALES_X) variaram de 29 a 82 unidades, com média de 56,07 e desvio padrão de 9,92.
A dinâmica concorrencial entre as empresas foi observada, com a empresa X buscando acompanhar o preço de mercado à medida que este apresentava uma trajetória de queda consistente a partir de aproximadamente 180 dias. Foram notados picos no preço praticado pela empresa X, refletindo reajustes anteriores no preço médio da concorrência, numa tentativa de captura adicional de valor após um período inicial de posicionamento com preços relativamente mais baixos. Para a geração dos dados, foram arbitrados para a empresa X um estoque inicial de 750 unidades do produto e um caixa inicial de 250.000,00 reais, utilizados exclusivamente para fins de *bootstrap* do gerador de dados.
A modelagem preditiva das vendas teve como objetivo estimar o volume vendido em função do preço praticado pela empresa e do preço médio da concorrência, gerando projeções de vendas para o modelo de fluxo de caixa e para a etapa de precificação. O processo de modelagem incluiu a preparação dos dados, análise exploratória, estimação de modelos candidatos, validação e seleção do modelo final. Os dados foram divididos em conjuntos de treinamento e teste por meio de amostragem estratificada, preservando a distribuição da variável resposta (vendas) em ambos os subconjuntos. O conjunto de teste foi mantido separado para avaliação final da capacidade de generalização do modelo, evitando *data leakage*.
O processo de treinamento foi conduzido exclusivamente com os dados de treino, dos quais foram extraídos conjuntos de validação utilizando validação cruzada do tipo K-fold com K = 4. A análise exploratória incluiu gráficos de dispersão, análise de correlação entre variáveis e cálculo do fator de inflação da variância (VIF), para examinar a relação entre os preditores e as vendas e investigar a multicolinearidade. Como modelo de referência (*baseline*), estimou-se inicialmente uma Regressão Linear Múltipla por Mínimos Quadrados Ordinários (OLS), avaliada por validação cruzada com métricas como o Erro Percentual Absoluto Médio (MAPE) e o coeficiente de determinação (R²), priorizando o MAPE por sua interpretabilidade gerencial (Fávero e Belfiore, 2024).
A especificação linear expandida, com inclusão de termos quadráticos e de interação, foi adotada como *baseline* devido a indícios de inadequação funcional do modelo inicial, apontados pelos testes Linktest e RESET. Este modelo com variáveis não lineares apresentou melhor adequação funcional. Na sequência, o modelo de referência foi comparado a algoritmos de Aprendizado de Máquina mais flexíveis, como Random Forest Regressor, XGBoost Regressor, Regressão com Funções de Base Radial (RBF) e redes neurais do tipo RBFNet e Perceptron Multicamadas (MLP). Procedimentos de ajuste e comparação de hiperparâmetros foram realizados com o mesmo conjunto de treinamento, esquema de validação cruzada e métricas de desempenho para assegurar consistência.
A seleção do modelo final baseou-se no desempenho médio em validação, com ênfase no menor MAPE e maior R², mas também na estabilidade entre os resultados de treino e validação para reduzir o risco de sobreajuste. A rede neural multicamada (MLP) apresentou desempenho médio superior na validação, com MAPE de 6,531% e R² de 0,778, enquanto o modelo *baseline* obteve MAPE de 6,898% e R² de 0,760. Embora o MLP tivesse um desempenho preditivo ligeiramente superior, a decisão final foi pelo modelo *baseline*, uma regressão linear com termos quadráticos e de interação.
A escolha do modelo *baseline* se justificou pela sua maior interpretabilidade e simplicidade em comparação com a rede MLP, cuja vantagem preditiva foi de apenas 0,367 ponto percentual de MAPE e 0,018 de R². Em aplicações de tomada de decisão com implicações relevantes, como a precificação orientada pela liquidez, modelos mais interpretáveis são preferíveis (Rudin, 2019), pois permitem inspecionar a plausibilidade econômica da relação entre preço, concorrência e vendas. A capacidade de auditar as previsões do modelo é crucial para a confiança do tomador de decisão na regra de precificação. O modelo escolhido, retreinado com todos os dados de treinamento e avaliado nos dados de teste, obteve um MAPE de 7,944% e um R² de 0,737, indicando ausência de sobreajuste e boa capacidade de generalização.
Os pressupostos do modelo escolhido foram verificados, e todos foram atendidos, com exceção da normalidade dos resíduos (p-valor de 0,033 para Shapiro-Wilk). A homoscedasticidade (p-valor de 0,757 para Breusch-Pagan), ausência de autocorrelação (p-valor de 0,701 para Breusch-Godfrey) e exogeneidade dos regressores (p-valor mínimo de 0,843 para modelo auxiliar) foram confirmadas. A adequação da especificação do modelo, no entanto, não foi atendida pelo Linktest (p-valor de 0,001), mas foi atendida pelo RESET (p-valor mínimo de 0,872). Embora a violação da normalidade dos resíduos possa afetar a inferência estatística clássica, ela não inviabiliza o uso do modelo para fins preditivos (Fávero e Belfiore, 2024), que é o objetivo central deste trabalho. A capacidade de generalização e a utilidade prática do modelo foram preservadas, mantendo um modelo interpretável e com desempenho adequado.
O modelo de projeção de fluxo de caixa, embora não incorpore componentes de Inteligência Artificial ou rotinas de simulação, constitui uma engrenagem fundamental do método de precificação proposto. Ele projeta os saldos futuros de caixa a partir de um horizonte de vendas esperadas, condições iniciais (saldo de caixa e posição de estoque no dia da projeção), operações financeiras previamente contratadas ou decorrentes de vendas passadas, e entradas e saídas extraordinárias. A implementação do modelo utilizou funções centrais como `update_books`, `evaluate_sales`, `evaluate_stock` e `cashflow_forecast` para operacionalizar os lançamentos financeiros e produzir a trajetória projetada do saldo de caixa, o livro de operações financeiras e o registro da posição de estoque.
As premissas e parâmetros adicionais considerados na implementação do modelo incluíram uma alíquota de impostos sobre o faturamento de 15%, com recolhimento até o dia 25 do mês subsequente, ajustado para dia útil anterior. A comissão de vendas foi de 3% sobre as vendas realizadas. A taxa cobrada nas vendas por cartão de crédito foi de 2,59%, e o custo de emissão de boleto bancário foi de 2,00 reais por boleto. O número máximo de parcelas oferecidas ao cliente foi de seis para vendas a prazo. O custo unitário de aquisição do produto foi de 370,00 reais, com um *lead time* de reposição de estoque de cinco dias úteis.
O limiar para disparo de compra de estoque foi de 0,80, o que significa que a reposição é acionada quando o estoque disponível se torna inferior a 80% da demanda projetada para a janela considerada. O pedido mínimo ao fornecedor foi de 500 unidades, com prazo para pagamento da primeira parcela de 45 dias e três parcelas pagas ao fornecedor. O custo de frete por pedido de reposição foi de 1.000,00 reais. A janela de projeção de vendas para cálculo da necessidade de estoque foi de 15 dias, e a janela da média móvel usada para estimar vendas recentes foi de 14 dias. Um fator de segurança de estoque de 1,15 foi utilizado para dimensionar compras com margem adicional sobre a demanda esperada.
Outros parâmetros incluíram um percentual máximo de recuperação amigável de valores inadimplentes de 50%, em até 15 dias úteis, com juros aplicados de 5% sobre os valores recuperados. O prazo máximo para venda de recebíveis inadimplidos após a fase de cobrança amigável foi de 30 dias úteis, com um deságio de 25% aplicado à venda desses recebíveis. Os limites de preço mínimo e máximo permitidos foram de 700,00 reais e 1.250,00 reais, respectivamente. Um calendário operacional diferenciou o funcionamento comercial e administrativo, ajustando pagamentos, recebimentos e eventos financeiros para dias úteis, excluindo fins de semana e feriados, e considerando dois tipos de feriados: fechamento total e apenas administrativo.
Os custos fixos mensais da operação, como aluguel, salários, licenças de software e manutenção, foram considerados com dias de pagamento específicos e regras de ajuste para o dia útil mais próximo. Os pagamentos de comissões sobre vendas à vista ocorreram no próximo dia útil, e para vendas parceladas, a distribuição das comissões se deu ao longo do tempo, respeitando carência mínima e datas administrativas de pagamento. A distribuição estocástica das vendas parceladas entre diferentes números de parcelas e da recuperação e venda de créditos inadimplidos ao longo do tempo foi incorporada para maior realismo. A restrição de vendas pela disponibilidade de estoque garantiu que as vendas efetivas do dia não superassem o estoque existente.
O método de Precificação Dinâmica Adaptativa Orientada pelo Caixa (PDAOC) estrutura-se como um modelo de precificação fundamentado nas relações entre preço, vendas e caixa da empresa. Os preços são definidos com base em seus efeitos previstos sobre o volume vendido e, subsequentemente, sobre a dinâmica do fluxo de caixa. O processo envolve a simulação de um conjunto de cenários futuros onde o preço da empresa varia dentro de possibilidades predefinidas, assumindo que o preço médio da concorrência permanece constante ou sofre variações marginais em um horizonte curto de cinco dias. O melhor cenário é selecionado com base no maior nível mínimo de caixa ou no maior saldo de caixa ao final do período.
O processo de precificação é adaptativo: se o preço médio da concorrência sofrer uma variação significativa, a empresa pode reexecutar o método, redefinindo o preço com base nas novas condições de mercado. Caso o preço da concorrência permaneça estável, a empresa reexecuta o processo ao final do período para incorporar informações mais recentes sobre o fluxo de caixa futuro. Essa abordagem desloca o foco da análise de preços de uma lógica estritamente comercial para uma abordagem financeiramente orientada, onde a adequação da decisão de precificação depende de sua compatibilidade com a manutenção da liquidez ao longo do tempo.
A função `run_simulations`, embora operacionalize a comparação entre diferentes cenários de preços, apresenta limitações. Opera sobre um conjunto discreto e parametrizado de alternativas de preço e trajetórias competitivas, o que limita o espaço de soluções explorado. O tempo de processamento pode ser elevado para um grande número de simulações. A principal restrição é a dependência de premissas sobre a duração das janelas de preço da concorrência, o que é pouco realista em contextos reais. No entanto, a função pode ser empregada em simulações prospectivas e avaliações de risco relacionadas ao fluxo de caixa, e sua maior utilidade reside em servir como componente do método de Precificação Dinâmica proposto.
Para testar a função `run_simulations` e estabelecer um *baseline* para a avaliação do método proposto, foi desenvolvida uma simulação inicial com duração de 90 dias, com janelas temporais fixas. Nessa simulação, a função identificou, entre os cenários avaliados, a combinação de variações do preço médio da concorrência que maximizou o menor saldo de caixa observado. No cenário mais favorável, considerando o dia 0 como 02 de março de 2026, o preço médio da concorrência elevou-se em 10% no dia seguinte, 03 de março de 2026, retornando ao preço-base 17 dias depois, em 20 de março de 2026. Este foi o cenário que produziu o melhor resultado para a empresa X sob o critério do maior valor mínimo de caixa, dadas as condições iniciais de caixa, estoque e operações financeiras herdadas do passado, e o conjunto de variações admissíveis para o preço da concorrência.
Ao permitir a variação do preço da empresa X por meio do método de precificação dinâmica adaptativa proposto, e mantendo as variações de preço da concorrência e as mesmas condições iniciais da simulação *baseline*, obteve-se um resultado superior ao fluxo de caixa *baseline* na maior parte do período analisado, especificamente em 77,42% dos dias. Este resultado foi ainda melhorado para 87,1% com a adição de restrições à variação do preço da empresa X, o que impediu as situações de ruptura de estoque que foram observadas na simulação anterior. Essas restrições contribuíram para a estabilidade do estoque e, consequentemente, para a melhoria da liquidez.
Este trabalho alinha-se com as linhas de pesquisa de Precificação Dinâmica, *Revenue Management* e tomada de decisão de preço sob incerteza e restrições operacionais. A literatura clássica já demonstra que o preço pode ser tratado como variável de controle em ambientes de demanda estocástica, competição e restrições de estoque, capacidade ou operação (Gallego e Van Ryzin, 1994; Bitran e Caldentey, 2003; Elmaghraby e Keskinocak, 2003). A principal contribuição do método proposto não reside apenas no uso de Inteligência Artificial ou de simulação computacional na precificação, mas na forma como esses elementos são articulados com a projeção de fluxo de caixa para este objetivo.
Em vez de formular o problema como uma otimização analítica explícita de lucro, receita ou margem, como é frequente na literatura existente, o método proposto combina um modelo preditivo de vendas com uma simulação operacional e financeira para selecionar preços com base em critérios de liquidez, como o menor saldo de caixa ao longo do horizonte projetado ou o saldo final de caixa. Essa característica o aproxima da literatura que integra preço, demanda e operação, mas o diferencia de grande parte dos estudos tradicionais, que tendem a concentrar-se na maximização de receita, na aprendizagem da demanda ou na relação entre preço e inventário (Elmaghraby e Keskinocak, 2003; Adida e Perakis, 2010).
Neste trabalho, propõe-se um filtro financeiro adicional: o preço só deve ser considerado adequado se também gerar uma trajetória de caixa compatível com a sustentação da empresa. Em comparação com abordagens mais recentes baseadas em aprendizado por reforço (Bertsimas e Perakis, 2005), o método proposto é menos autônomo e menos orientado à busca de políticas ótimas ao longo de muitos episódios. Em contrapartida, mostra-se mais interpretável e mais aderente ao contexto gerencial, pois a decisão emerge de cenários explícitos, de um modelo de vendas observável e de uma simulação financeira compreensível. Assim, sua originalidade reside menos na criação de um novo paradigma de precificação e mais na construção de um sistema integrado de apoio à decisão que articula previsão de vendas, dinâmica competitiva, operação e liquidez.
Em síntese, os resultados obtidos neste estudo demonstram que a aplicação de Inteligência Artificial e simulação computacional, por meio do método de Precificação Dinâmica Adaptativa Orientada pelo Caixa, pode aprimorar significativamente a gestão da liquidez empresarial. A abordagem proposta, ao integrar a previsão de vendas, a projeção detalhada do fluxo de caixa e a avaliação de cenários competitivos, oferece uma ferramenta robusta para a tomada de decisões de preço que consideram não apenas o desempenho comercial, mas também a saúde financeira da organização, superando o cenário de preço fixo na maior parte do horizonte analisado e mitigando riscos de ruptura de estoque.
4. Conclusão
O presente estudo explorou a aplicação de algoritmos de Inteligência Artificial, em conjunto com projeções de fluxo de caixa, para a definição de preços, propondo e ilustrando um método de Precificação Dinâmica Adaptativa Orientada pelo Caixa (PDAOC) que ajusta preços considerando a concorrência e seus impactos sobre as vendas e o caixa. Verificou-se que o modelo preditivo de vendas, uma regressão linear com termos quadráticos e de interação, apresentou desempenho preditivo competitivo (MAPE de 7,944% e R² de 0,737 no conjunto de teste), sendo selecionado pela sua maior interpretabilidade em detrimento de alternativas mais complexas. O modelo de fluxo de caixa desenvolvido incorporou de forma integrada prazos de recebimento, inadimplência, custos transacionais, reposição de estoque e custos fixos, aproximando-se das condições operacionais reais. As simulações realizadas demonstraram que o método PDAOC superou um cenário baseline de preço fixo em 77,42% dos dias analisados, percentual que se elevou para 87,1% com a adição de restrições à variação do preço, mitigando rupturas de estoque. A principal contribuição do trabalho reside na articulação desses elementos para tratar a precificação não apenas como um problema comercial, mas como um instrumento central de gestão da liquidez, oferecendo um sistema integrado de apoio à decisão que considera a solvência de curto prazo.
Contudo, o estudo apresentou limitações importantes, como o uso de dados sintéticos em vez de dados reais, a restrição a um único produto e a premissa de estabilidade do preço médio da concorrência em curto prazo. Adicionalmente, o simulador avaliou um espaço discreto e previamente parametrizado de alternativas, e os critérios de decisão não incorporaram efeitos financeiros de mais longo prazo, como a dinâmica do capital de giro. Para estudos futuros, sugere-se a generalização do método para portfólios multiproduto, a incorporação de aprendizado por reforço para decisão sequencial, a realização de estudos de sensibilidade aos erros de previsão sobre a liquidez projetada, e a aplicação com dados reais. Recomenda-se também a inclusão de variáveis explicativas adicionais, como promoções e fatores macroeconômicos, e a comparação do método com abordagens tradicionais de otimização e algoritmos mais sofisticados de decisão sequencial, buscando conciliar liquidez, rentabilidade e market share.
Referências Bibliográficas
Adams, J.; Fang, M.; Liu, Z.; Wang, Y. 2025. The rise of Al pricing: trends, driving forces, and implications for firm performance. Federal Reserve Bank of San Francisco, Working Paper Series 2024-33. Disponível em: https://tinyurl.com/cms97bvc. Acesso em: 14 set. 2025.
Adida, E.; Perakis, G. 2010. Dynamic pricing and inventory control: uncertainty and competition. Operations Research 58(2): 289-302.
Atrill, P. 2020. Financial management for decision makers. 9ed. Pearson, [cidade/país não confirmados].
Baños-Caballero, S.; García-Teruel, P.J.; Martínez-Solano, P. 2014. Working capital management, corporate performance, and financial constraints. Journal of Business Research 67(3): 332-338.
Bertsimas, D.; Perakis, G. 2005. Dynamic pricing: a learning approach. p. 45-79. In: Feichtinger, G. Optimal control and dynamic games. Springer, Boston, MA, USA.
Bijmolt, T.H.A.; Heerde, H.J. van; Pieters, R.G.M. 2005. New empirical generalizations on the determinants of price elasticity. Journal of Marketing Research 42(2): 141-156.
Bitran, G.; Caldentey, R. 2003. An overview of pricing models for revenue management. Manufacturing & Service Operations Management 5(3): 203-229.
Brealey, R.A.; Myers, S.C.; Allen, F. 2020. Principles of corporate finance. 13ed. McGraw-Hill Education, New York, NY, USA.
Chenavaz, R.Y.; Dimitrov, S. 2025. Artificial intelligence and dynamic pricing: a systematic literature review. Journal of Applied Economics 28(1): 2466140.
Elmaghraby, W.; Keskinocak, P. 2003. Dynamic pricing in the presence of inventory considerations: research overview, current practices, and future directions. Management Science 49(10): 1287-1309.
Fávero, L.P.; Belfiore, P. 2024. Manual de análise de dados: estatística e machine learning com Excel, SPSS, STATA, R e Python. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Gallego, G.; Ryzin, G. van. 1994. Optimal dynamic pricing of inventories with stochastic demand over finite horizons. Management Science 40(8): 999-1020.
Hinterhuber, A. 2008. Customer value-based pricing strategies: why companies resist. Journal of Business Strategy 29(4): 41-50.
Hinterhuber, A.; Liozu, S.M. 2012. Is it time to rethink your pricing strategy? MIT Sloan Management Review 53(4): 69-77.
Kotler, P.; Keller, K. 2016. Marketing management. 15ed. Pearson, [cidade/país não confirmados].
Milan, G.; Saciloto, E.; Larentis, F.; De Toni, D. 2016. As estratégias de precificação e o desempenho das empresas. Revista Eletrônica de Administração 22(2).
Monroe, K.B. 2002. Pricing: making profitable decisions. 3ed. McGraw-Hill, New York, NY, USA.
Nagle, T.; Hogan, J.; Muller, G.; Gruyaert, E. 2024. The strategy and tactics of pricing: a guide to growing more profitably. International Student Edition. 7ed. Routledge, [cidade/país não confirmados].
Rudin, C. 2019. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence 1: 206-215.
Sethuraman, R.; Tellis, G.J. 1991. An analysis of the tradeoff between advertising and price discounting. Journal of Marketing Research 28(2): 160-174.
Simon, H.; Fassnacht, M. 2018. Price management: strategy, analysis, decision, implementation. Springer, [cidade/país não confirmados].
Souza, F.P. de. 2023. O nível de maturidade em preços: estudo exploratório para avaliar o nível de maturidade da precificação em organizações B2B de médio e grande porte que atuam no Brasil. Dissertação de Mestrado Profissional em Gestão de Negócios. Fundação Instituto de Administração, São Paulo, SP, Brasil.
Talluri, K.T.; Ryzin, G. van. 2005. The theory and practice of revenue management. Springer, [cidade/país não confirmados].
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Finanças e Controladoria do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy