“Inteligencia de Negocios” para Fijación Dinámica de Precios y Margen Estratégico en Empresas de Autopartes: Propuesta de Aplicación

Andressa Cunha de Oliveira; Fernando Celso de Campos

DOI: 10.22167/2675-6528-202602663

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

La fijación de precios en entornos de comercio electrónico multicanal presenta una alta complejidad, especialmente en el sector de repuestos de automóviles, debido a la diversidad de productos, estructuras tributarias y modelos de costos por plataforma. El estudio tuvo como objetivo desarrollar y validar una solución de Business Intelligence para la fijación dinámica de precios y el análisis de márgenes en un entorno multicanal. La investigación, de carácter aplicado y enfoque mixto, se estructuró como un estudio de caso único. Los datos se recopilaron de hojas de cálculo corporativas, sistema ERP, APIs de marketplaces y fuentes tributarias oficiales, complementados por una entrevista semiestructurada con el decisor organizacional. Se desarrolló una base analítica con más de 100 tablas y un motor de fijación de precios que calculó el precio mínimo, el precio sugerido, el margen efectivo y alertas por producto y canal, con actualización diaria y cobertura integral del portafolio. El análisis identificó que el 18,17% de los registros operativos presentaron margen negativo, totalizando R$ 3.075.093,28 en ingresos netos sin cobertura del costo total. La validación técnica indicó un 98% de conformidad en la estructura de costos, y la evaluación gerencial confirmó la adherencia a las necesidades estratégicas de la organización. La solución contribuyó al integrar gobernanza de datos, modelado dimensional y fijación de precios automatizada en un entorno multicanal real, revelando distorsiones significativas en el modelo anterior de fijación de precios.

Palabras clave: Business Intelligence; Modelado Dimensional; Fijación de precios dinámica; Supabase; Soporte a la Decisión.

1. Introducción

El sector del comercio electrónico de autopartes se ha consolidado como uno de los segmentos más dinámicos del comercio minorista digital. Se caracteriza por amplios catálogos, alta variabilidad cambiaria en los costos de importación y operación simultánea en múltiples plataformas de venta con distintas estructuras de costos. En este contexto, la fijación de precios ha dejado de ser una mera actividad operativa para asumir un papel estratégico en la competitividad y sostenibilidad del negocio (Foley y Guillemette, 2010).

La velocidad con la que los consumidores comparan precios en tiempo real en plataformas como Magazine Luiza, Shopee y Mercado Livre hace que los modelos tradicionales basados en hojas de cálculo manuales o mark-ups fijos (Negash y Gray, 2008) sean inadecuados. Estos modelos no siguen la escala, la complejidad tributaria y la dinámica de costos exigidas por el entorno multicanal. Esta limitación puede resultar en la comercialización de productos con márgenes negativos no identificados, comprometiendo la rentabilidad y la sostenibilidad financiera de la operación.

Business Intelligence (BI) representa, en este contexto, una respuesta estructural al problema de la dispersión informacional: al consolidar datos de orígenes heterogéneos en una arquitectura analítica única, amplía la capacidad organizacional de sustentar decisiones gerenciales con base en evidencias rastreables y actualizadas. En este estudio, el BI se trata como un sistema sociotécnico que articula infraestructura tecnológica, gobernanza de datos y prácticas analíticas orientadas a la toma de decisiones.

La calidad de la información se convierte, por lo tanto, en un factor crítico. Los entornos sin controles formales de integridad y trazabilidad tienden a producir análisis inconsistentes, como se discutió por Redman (2001). Esto refuerza la necesidad de estructuras de datos organizadas como base para sistemas analíticos confiables. La visualización de datos complementa este proceso al traducir indicadores complejos en representaciones comprensibles, con paneles analíticos interactivos que apoyan decisiones más rápidas y fundamentadas (Sarikaya et al., 2018; Knaflic, 2015).

A pesar de la relevancia del tema, todavía hay escasez de estudios nacionales que integren gobernanza de datos, modelado analítico y soporte a la fijación de precios en entornos digitales reales, con datos transaccionales completos, múltiples canales de venta y complejidad tributaria. Este trabajo busca contribuir a esta brecha al desarrollar y aplicar una solución analítica orientada a la fijación estratégica de precios en el sector de autopartes. Ante este contexto, el objetivo de este estudio es desarrollar y validar un modelo analítico automatizado capaz de calcular el precio mínimo económicamente viable por SKU y canal, con base en el costo total y variables operativas, en un entorno multicanal de autopartes.

2. Material y Métodos

La presente investigación se caracterizó como un estudio de naturaleza aplicada, con enfoque metodológico mixto y diseño descriptivo. Se estructuró como un caso único, centrado en una empresa nacional del sector de autopartes de alto rendimiento, ubicada en el estado de Rio Grande do Sul. El objetivo central fue desarrollar y validar un modelo analítico automatizado para la fijación de precios estratégica en un entorno multicanal. La dimensión cuantitativa de la investigación comprendió el desarrollo de la solución analítica, incluyendo modelado de datos, construcción del motor de fijación de precios y validación técnica. La dimensión cualitativa se llevó a cabo mediante entrevista semiestructurada con el Director Ejecutivo de la organización, con análisis de contenido orientado a la validación gerencial (Malhotra, 2004).

Los datos se recopilaron de hojas de cálculo corporativas en MS-Excel®, sistema ERP y APIs de marketplaces (Mercado Livre, Shopee, Magalu, Amazon y Via Varejo). Complementariamente, se integró información de fuentes tributarias oficiales (Receita Federal do Brasil, CONFAZ, Portal da NF-e e IBPT). La recopilación se realizó con autorización de la organización y en conformidad con políticas de confidencialidad. El tratamiento de los datos se ejecutó en Power Query de Microsoft Power BI, con rutinas automatizadas para estandarización, eliminación de duplicidades y mapeo de campos críticos. La integridad de los datos se reforzó en Supabase mediante restricciones de unicidad de granularidad, impidiendo registros conflictivos antes del consumo analítico.

El modelado de datos siguió el enfoque dimensional de Kimball y Ross (2013), priorizando la legibilidad semántica y el rendimiento analítico. Supabase alojó tablas estructuradas en bloques funcionales (hechos transaccionales, dimensiones maestras, parámetros y simulación, auditoría y gobernanza). Microsoft Power BI se conectó a Supabase a través del conector PostgreSQL, construyendo el modelo semántico con medidas DAX orientadas a la fijación de precios y al análisis de márgenes.

El motor de fijación de precios dinámica fue desarrollado para calcular el precio mínimo económicamente viable, el precio sugerido, el margen efectivo y las alertas automáticas por producto y canal de venta. El cálculo del precio mínimo consideró el costo de reposición, la comisión, el flete, el ICMS, el PIS/COFINS, el IPI, el DIFAL, el costo financiero por plazo de transferencia y el margen objetivo (Nagle et al., 2017). Adicionalmente, se incorporó la provisión estimada de devolución por canal y el costo unitario de obsequio, tratados como parámetros específicos y gasto variable opcional, respectivamente (Horngren et al., 2018).

Un componente estratégico del motor fue el tratamiento de proveedores con precio de venta fijado. El motor registró el precio de lista vigente y lo confrontó con el precio mínimo calculado a partir de los costos reales del canal, alineándose al concepto de price-floor management de Talluri y Van Ryzin (2004). La reconciliación automática entre tarifas estimadas y efectivamente cobradas por los marketplaces fue implementada, validando las tarifas a nivel de pedido y ajustando el precio mínimo con base en la tarifa real cobrada por transacción, conforme recomendado por Talluri y Van Ryzin (2004).

Los paneles analíticos se desarrollaron en Microsoft Power BI y se organizaron en cinco páginas temáticas, cada una orientada a una pregunta de negocio específica y a un perfil de usuario decisor. El desarrollo siguió las buenas prácticas de visualización de datos de Few (2004), Tufte (2001) y Knaflic (2015), priorizando la claridad visual y la economía cognitiva para la toma de decisiones gerenciales (Sharda et al., 2020).

La validación de la solución se realizó en dos etapas. La primera consistió en la verificación técnica de los cálculos automatizados del motor de fijación de precios, confrontándolos con los parámetros del proceso manual anterior. La auditoría técnica de la tabla central de costos registró un índice de conformidad del 98%, indicando adherencia de los cálculos a la lógica operacional de la empresa. La segunda etapa, de naturaleza gerencial y cualitativa, se realizó mediante entrevista semiestructurada con el Director Ejecutivo, previa firma de un Consentimiento Informado (TCLE). Las respuestas fueron analizadas por análisis de contenido (Malhotra, 2004), confirmando la adherencia de la solución a las necesidades estratégicas.

3. Resultados y Discusión

Los resultados de la investigación demuestran una transformación fundamental en el proceso de fijación de precios de la organización estudiada, que evolucionó de un enfoque reactivo y fragmentado a un modelo estructurado y orientado a datos. Este cambio se materializó a través del desarrollo y validación de una solución de Business Intelligence, diseñada para la fijación dinámica de precios y el análisis estratégico de márgenes en un entorno de comercio electrónico multicanal. Uno de los principales hallazgos fue la creación de una base analítica robusta, que no solo consolidó diversas fuentes de datos, sino que también implementó controles formales de integridad, elevando la consistencia y la auditabilidad de las decisiones de fijación de precios. Este paso inicial fue crucial, ya que reveló que el problema central no se limitaba al cálculo del precio final, sino que abarcaba la propia gestión y adquisición de la información, alineándose con la importancia de la calidad de los datos en los sistemas de BI (Redman, 2001).

La fase de recopilación de datos evidenció las limitaciones del modelo de fijación de precios anterior, que dependía de información dispersa en hojas de cálculo de MS-Excel, que contenían datos sobre SKUs activos, costos de adquisición, impuestos, comisiones, gastos variables y precios practicados. La integración de datos del sistema ERP corporativo, de APIs de marketplaces como Mercado Livre, Shopee, Magazine Luiza, Amazon y Via Varejo, y de fuentes tributarias oficiales (Receita Federal, CONFAZ, Portal da NF-e, IBPT) resaltó la necesidad apremiante de un repositorio unificado. Esta etapa inicial confirmó que la ineficacia de la fijación de precios estaba intrínsecamente ligada a la naturaleza fragmentada e inconsistente de los datos subyacentes, haciendo indispensable una base informacional centralizada y auditable para decisiones estratégicas de precio y margen.

El tratamiento y la preparación de los datos, realizados principalmente en Power Query, implicaron transformaciones esenciales para garantizar la calidad e integridad de la información. Las acciones incluyeron la estandarización de formatos numéricos y textuales, la identificación y eliminación de duplicados, y el mapeo de campos críticos ausentes. Un avance significativo fue la normalización de las alícuotas de impuestos, con referencia cruzada a fuentes tributarias oficiales como CONFAZ y Receita Federal, lo que expuso fallas estructurales y tasas desactualizadas en el modelo manual preexistente. Adicionalmente, la implementación de restricciones de unicidad de granularidad en Supabase, como `uq_custo_sazonal_grain` y `uq_cobertura_sku`, impidió registros conflictivos, asegurando la consistencia de los datos antes del consumo analítico. Este riguroso proceso resultó en un índice de conformidad del 98% en la tabla central de costos, validando la exactitud técnica de la estructura de datos.

La arquitectura de la solución analítica se desarrolló siguiendo los principios del modelado dimensional, según lo propuesto por Kimball y Ross (2013), priorizando la legibilidad semántica y el rendimiento analítico. Esta elección fue fundamental para soportar consultas rápidas y simulaciones de escenarios, requisitos esenciales en entornos de Business Intelligence. El modelo se estructuró en dos capas complementarias: una capa de persistencia en Supabase, que alojó más de 100 tablas organizadas en bloques funcionales (hechos transaccionales, dimensiones maestras, parámetros de simulación y datos de auditoría/gobernanza), y una capa de consumo en Microsoft Power BI. Esta arquitectura permitió la integración de un vasto volumen de datos, incluyendo 151.643 registros transaccionales de tarifas de marketplaces y 92.698 registros de proveedores, demostrando la capacidad de la solución para soportar un portafolio multicanal de alto volumen, yendo más allá de análisis puntuales o muestrales.

El motor de fijación de precios dinámica, componente central de la solución de BI, fue desarrollado para automatizar el cálculo de cuatro indicadores fundamentales por producto (SKU) y canal de venta: el precio mínimo económicamente viable, el precio sugerido, el margen efectivo y alertas automáticas para productos con precio por debajo del límite mínimo. La estructura del motor sigue una lógica de fijación de precios orientada al costo total, donde el precio mínimo refleja la suma de los costos variables directamente asociados a la transacción, más el margen mínimo necesario para la sostenibilidad del negocio (Nagle et al., 2017). Este enfoque integral garantiza que todos los componentes de costo relevantes sean considerados en las decisiones de fijación de precios, proporcionando una base sólida para la rentabilidad.

Un avance significativo del motor de fijación de precios reside en su capacidad para integrar diversos componentes de costo que a menudo eran pasados por alto o aplicados de manera inconsistente en modelos manuales anteriores. Esto incluye el costo de reposición del producto, los gastos variables específicos del canal, como comisiones de la plataforma, flete, impuestos de salida y el costo financiero derivado del plazo de transferencia de los marketplaces. De manera crucial, el modelo incorporó dos variables operativas frecuentemente omitidas: una provisión estimada para devoluciones por canal y el costo unitario de obsequios promocionales, cuando sea aplicable. La inclusión de estos elementos mejora la precisión del cálculo del precio mínimo, asegurando que las simulaciones reflejen el costo real del ciclo completo de ventas y previniendo la subestimación de costos y la erosión de los márgenes efectivos.

La integración explícita de una provisión estimada para devoluciones por canal aborda directamente las tasas históricas de retorno de mercancías, que varían significativamente entre los mercados. La desestimación de este componente en modelos anteriores llevaba a una sobreestimación de los resultados netos esperados por unidad vendida. Al incluir esta provisión en el cálculo del piso mínimo, el motor garantiza que las simulaciones contemplen el costo real del ciclo completo de venta, que abarca no solo la entrega, sino también el riesgo estadístico de retorno y sus costos operativos asociados. De forma análoga, el costo unitario de obsequios, tratado como gasto variable opcional para operaciones específicas, como kits promocionales, se suma al costo total de la transacción. Esto evita que ventas con obsequios sean precificadas con base en costos incompletos, lo que generaría márgenes aparentemente positivos, pero económicamente deficitarios, alineándose al concepto de costo total de servicio (Horngren et al., 2018).

El motor también aborda estratégicamente los escenarios con proveedores que imponen precios de venta fijos, como distribuidores exclusivos o representantes de marcas internacionales de alto rendimiento, que establecen un precio de venta sugerido al consumidor final (PVP) o un precio mínimo de reventa. En estos casos, el precio de mercado no es una variable libre de optimización, sino un dato de entrada impuesto por la relación comercial. El motor incorpora explícitamente este parámetro, comparando automáticamente el precio fijo con el precio mínimo calculado para cada canal. Los productos se señalan como viables si el precio fijo es igual o superior al suelo económico determinado, o como inviables si es inferior al coste total calculado, indicando una potencial pérdida operativa. Esta funcionalidad converge con el concepto de gestión de precio mínimo (Talluri y Van Ryzin, 2004), que enfatiza la definición explícita de límites mínimos de precio para evitar la erosión sistemática de margen en entornos de alto volumen y múltiples canales.

La dimensión financiera del impacto de la solución se cuantificó a partir de la base analítica consolidada, que registró unos ingresos netos totales de 32.783.049,99 R$ en el período estudiado. Estos ingresos se generaron a partir de 1.381 SKUs distintos y 7.579 registros de venta en diversos canales operativos. El costo total vendido determinado fue de 19.297.462,96 R$, complementado por gastos variables de 8.600.676,96 R$, lo que resalta la relevancia de los costos transaccionales en la formación del resultado operativo y en la definición del precio mínimo económicamente viable. El margen de contribución consolidado alcanzó 4.884.910,07 R$, con un margen medio realizado del 9,54%. Estas cifras evidencian la complejidad de las estructuras de costos en el e-commerce multicanal y la necesidad de un modelo de fijación de precios preciso e integrado.

Un hallazgo crítico del análisis fue la identificación de que el 18,17% de los registros operativos, que suman 1.377 transacciones, presentaron un margen negativo. Esto correspondió a R$ 3.075.093,28 en ingresos netos que no cubrieron el costo total, una distorsión significativa que permanecía invisible en el modelo manual anterior. Análisis preliminares, basados en recortes parciales por canal de venta, indicaban un volumen significativamente inferior de operaciones deficitarias. Sin embargo, la consolidación integral de la base analítica reveló la verdadera magnitud del problema, evidenciando las limitaciones de modelos fragmentados y la ausencia de una visión unificada en el proceso anterior. Este hallazgo refuerza la necesidad de arquitecturas analíticas integradas para garantizar la precisión en la medición de margen y un soporte confiable a la toma de decisiones.

La descomposición de los resultados por canal de venta reveló una elevada heterogeneidad en la estructura de rentabilidad de la operación. Canales como la venta directa presentaron un margen promedio del 19,82%, mientras que el e-commerce propio (JetCommerce) alcanzó el 32,19%, configurándose como los entornos más rentables. En contraste, canales con alta dependencia de estructuras externas de costo tuvieron un desempeño significativamente inferior. Destaca que la FILIAL SC concentró la mayor pérdida absoluta en margen negativo, totalizando R$ 273.063,83, superando incluso canales de mayor volumen transaccional. Adicionalmente, la plataforma Shopee registró un margen promedio del -30,30%, indicando una operación estructuralmente deficitaria en el período analizado. El canal Mercado Livre (ML RSPERFORMANCE SC), principal fuente de ingresos, acumuló pérdidas de R$ 154.922,42 en transacciones con margen negativo.

Estos resultados demuestran que el problema de fijación de precios no se limita a un canal específico, sino que se distribuye de forma asimétrica entre múltiples entornos de venta. Esta asimetría refuerza la inadecuación de los modelos de fijación de precios homogéneos y subraya la necesidad crítica de una parametrización específica por canal, una característica central del motor de fijación de precios desarrollado en este estudio. Los márgenes negativos persistentes en ciertos canales, a pesar de su presencia activa en el portafolio, evidencian un fenómeno de “pérdida silenciosa”, típico de entornos de fijación de precios basados en estimaciones, donde la ausencia de una estructura completa de costos variables lleva al mantenimiento de ofertas estructuralmente deficitarias (Nagle et al., 2017). La solución hizo que estas pérdidas ocultas fueran visibles y auditables.

El desarrollo de los paneles de gestión, un componente clave de la solución de BI, se realizó en Microsoft Power BI, con cinco páginas temáticas. Cada página fue cuidadosamente diseñada para responder a una pregunta de negocio específica y satisfacer a un perfil distinto de usuario decisor. El diseño siguió las buenas prácticas de visualización de datos, según Few (2004), Tufte (2001) y Knaflic (2015), priorizando la claridad visual, la jerarquía informacional y la economía cognitiva. Este enfoque tuvo como objetivo reducir la carga cognitiva, un factor determinante para la eficacia de la toma de decisiones gerenciales. La organización narrativa de los paneles siguió la lógica de Storytelling with Data (Knaflic, 2015), presentando la información desde indicadores agregados hasta visiones analíticas progresivamente más detalladas.

El primer panel, “Análisis Estratégico de Margen”, fue diseñado para gerentes de control de gestión y alta dirección, ofreciendo una visión consolidada de la rentabilidad de la cartera. Presentó un ranking de margen de contribución por categoría de producto y canal de venta, permitiendo la identificación inmediata de las combinaciones más y menos rentables. Indicadores clave de rendimiento (KPIs) sintetizaron métricas críticas como margen realizado, desviación respecto a la meta, ingresos netos y alertas de productos por debajo del umbral económico. La segmentación interactiva por marca, categoría fiscal, canal y período facilitó la navegación del consolidado a lo específico sin salir de la página, reduciendo el tiempo entre la obtención de datos y la toma de decisiones, en alineación con arquitecturas de BI orientadas al usuario decisor (Sharda et al., 2020).

El panel “Simulador de Precios” representa el mayor impacto operativo directo de la solución. Permite al analista comercial ajustar el margen objetivo y el período de análisis, con un reflejo instantáneo en el precio mínimo sugerido para toda la cartera. Esta funcionalidad reemplazó un proceso manual que anteriormente requería entre dos y cuatro días hábiles para un reanálisis parcial de la cartera, lo que resultó en ganancias significativas de eficiencia y agilidad en la respuesta a las dinámicas del mercado. La capacidad del simulador para proporcionar retroalimentación inmediata sobre los ajustes de precios es crucial para una toma de decisiones proactiva en un entorno de comercio electrónico de ritmo acelerado, permitiendo una rápida adaptación a las fluctuaciones de costos y de mercado.

El panel “Sazonalidad de Costos” fue desarrollado para abordar el vector de riesgo menos visible de las oscilaciones de costos en operaciones multicanal, como variaciones cambiarias y ciclos de importación que comprimen márgenes sin impacto financiero inmediato. Este panel ofrece una visión histórica de la evolución de los costos de reposición por SKU y proveedor, permitiendo que gerentes de compras y analistas financieros realicen ajustes preventivos antes de que los aumentos de costo se materialicen en los resultados, en consonancia con el concepto de visibilidad de costos (Horngren et al., 2018). Complementariamente, el panel “Auditoría de Tarifas de Marketplace”, dirigido a los equipos financiero y de operaciones, compara las tarifas estimadas con las efectivamente cobradas por las plataformas de marketplace, transacción a transacción. Esta reconciliación automática señala desviaciones y permite la corrección de parámetros, eliminando un punto ciego operacional donde la reconciliación se realizaba solo a nivel del extracto bancario consolidado (Talluri y Van Ryzin, 2004).

El panel “Gobernanza y Cumplimiento del Modelo” está destinado a los gestores de datos y responsables técnicos del mantenimiento de la solución. Presenta indicadores de integridad de la base analítica, incluyendo la cobertura fiscal de los SKUs activos, el estado de actualización de las tablas, el índice de cumplimiento de la estructura de costos (98%) y los registros de desviaciones críticas identificadas por los procesos de auditoría automática. La existencia de este panel dedicado a la gobernanza operacionaliza la recomendación de Kimball y Ross (2013) de que la confiabilidad analítica depende de mecanismos formales de verificación de datos integrados al propio modelo. Este enfoque garantiza que la gobernanza no sea un proceso paralelo, sino una capa estructural de la solución, reforzando la confiabilidad de las salidas analíticas.

La fase de validación e implementación involucró dos procedimientos cruciales. La validación técnica confrontó los resultados generados por el motor de precios con los parámetros utilizados en el proceso manual anterior. Esta auditoría confirmó un índice de conformidad del 98% en la tabla central de costos, evidenciando un alto grado de adherencia entre los cálculos automatizados y la lógica operacional de la empresa. Las no conformidades identificadas se concentraron principalmente en aspectos de parametrización dependientes de la estructura exportada por el ERP, sin implicar errores conceptuales en el modelo. Esta verificación técnica proporcionó una base sólida para la confiabilidad de la solución desarrollada, garantizando su exactitud y consistencia en la determinación de los indicadores de precios.

Además de la validación técnica, una entrevista semiestructurada con el Director Ejecutivo (CEO) de la organización proporcionó información gerencial crucial. El CEO informó que el proceso de fijación de precios anterior se basaba en hojas de cálculo individuales, sin estandarización y sin indicadores consolidados de margen neto real, lo que resultaba en simulaciones de precios subjetivas. Indicadores críticos, como el costo total por unidad (con variaciones cambiarias), la participación tributaria efectiva por canal y los márgenes comparativos entre plataformas, eran inaccesibles de manera ágil. El CEO evaluó positivamente los nuevos paneles e indicadores, confirmando su adecuación a las necesidades estratégicas y elogiando la organización visual clara e intuitiva. Las sugerencias de mejora incluyeron una alerta visual diferenciada para productos cercanos al límite mínimo y un panel específico para devoluciones por canal.

En relación con el impacto operativo y estratégico, el Director Ejecutivo estimó que el proceso manual anterior requería entre dos y cuatro días hábiles para un reanálisis parcial de la cartera en respuesta a variaciones del mercado. Con la nueva solución de BI, las actualizaciones ocurren automáticamente en un ciclo diario y la visualización inmediata está disponible a través de un simulador, reduciendo drásticamente los tiempos de respuesta. Esta automatización eliminó una importante fuente de inconsistencia: la disparidad entre las tasas impositivas de las hojas de cálculo y las fuentes oficiales. La solución aumenta la competitividad en los canales digitales (Shopee, Magalu, Amazon, Via Varejo, Mercado Livre) al permitir una estrategia de fijación de precios más receptiva a las variaciones de comisiones y fletes, posibilitando la fijación de precios diferenciada por canal sin pérdida de trazabilidad.

La evaluación general del Director Ejecutivo fue positiva, confirmando que el resultado del proyecto estaba alineado con los objetivos propuestos, con una calidad de visualización satisfactoria y aplicabilidad práctica comprobada. La solución se consideró apta para su implementación en el flujo operativo de la empresa. Las sugerencias para futuras mejoras incluyeron la incorporación de funcionalidades de seguimiento de precios de la competencia y una capa predictiva basada en Machine Learning, que fueron documentadas para desarrollo futuro. El CEO también recomendó capacitación formal para los equipos comercial y financiero antes de la implementación definitiva, enfatizando que un modelo técnicamente robusto no garantiza la comprensión inmediata o la adopción por parte del usuario final sin una mediación visual y textual adecuada (Knaflic, 2015; Sharda et al., 2020).

En resumen, la implementación de la solución de Business Intelligence logró con éxito el objetivo de desarrollar y validar un modelo analítico automatizado para la fijación dinámica de precios en un entorno multicanal de repuestos de automóviles. La principal contribución del estudio trasciende la dimensión tecnológica, manifestándose significativamente en el plano gerencial. La solución reorganizó la base informacional de la empresa, redujo la dependencia de controles manuales dispersos y estableció criterios explícitos para el cálculo del precio mínimo. Además, proporcionó una interfaz analítica orientada a la toma de decisiones, transformando la fijación de precios en un proceso integrado, verificable y menos dependiente de conocimiento individual no documentado. Esta transición de una fijación de precios reactiva, parcial y subjetiva a un sistema proactivo, integral y actualizado diariamente representa una ganancia operativa sustancial, garantizando mayor precisión, velocidad y alineación estratégica en la gestión de márgenes.

4. Conclusión

La presente investigación buscó desarrollar y validar un modelo analítico automatizado capaz de calcular el precio mínimo económicamente viable por SKU y canal, con base en costo total y variables operacionales, en un entorno multicanal de autopartes. Para ello, se estructuró una solución de Business Intelligence que integró gobernanza de datos, modelado dimensional y un motor de fijación de precios dinámica. Se verificó que la base analítica consolidada, compuesta por más de 100 tablas, permitió la identificación de distorsiones significativas en el modelo de fijación de precios anterior, revelando que el 18,17% de los registros operacionales presentaron margen negativo, totalizando R$ 3.075.093,28 en ingresos netos sin cobertura del costo total. Se observó también una acentuada heterogeneidad en la rentabilidad entre los canales de venta, con algunos operando en perjuicio estructural. La solución automatizó el cálculo de precio mínimo, precio sugerido, margen efectivo y alertas, con actualización diaria y cobertura integral del portafolio, y su validación técnica indicó un 98% de conformidad en la estructura de costos. La principal contribución reside en la operacionalización de un sistema proactivo y verificable, que transformó la fijación de precios reactiva y subjetiva en un proceso integrado y orientado por datos, reduciendo la dependencia de controles manuales y de conocimiento individual no documentado.

A pesar de los avances, el estudio presenta limitaciones inherentes a su diseño como estudio de caso único, lo que restringe la generalización de los resultados a otros contextos organizacionales. Adicionalmente, la calidad de los análisis sigue dependiendo de la consistencia y disponibilidad de los datos de origen, especialmente aquellos provenientes de sistemas externos y APIs de marketplaces, lo que exige una gobernanza continua. Como agenda de investigación futura, se sugiere la aplicación del modelo en múltiples organizaciones para la validación externa y la comparación de resultados. Se recomienda también la incorporación de modelos predictivos y algoritmos de Machine Learning para la anticipación de variaciones de costo y demanda, la integración de datos de la competencia para el soporte a la fijación de precios orientada al mercado, y la expansión del enfoque a otras áreas decisorias, como gestión de inventario, compras y planificación financiera.

Referencias Bibliográficas

FEW, Stephen. (2004). Show me the numbers: designing tables and graphs to enlighten. Oakland: Analytics Press.

FOLEY, É.; GUILLEMETTE, M. G. (2010). What is business intelligence? International Journal of Business Intelligence Research, v. 1, n. 4, p. 1–28.

HORNGREN, C. T.; DATAR, S. M.; RAJAN, M. V. (2018). Cost accounting: a managerial emphasis. 16. ed. New Jersey: Pearson.

KIMBALL, Ralph; ROSS, Margy. (2013). The data warehouse toolkit: the definitive guide to dimensional modeling. 3. ed. Indianapolis: Wiley.

KNAFLIC, Cole Nussbaumer. (2015). Storytelling with data. New Jersey: Wiley.

MALHOTRA, Naresh K. (2004). Pesquisa de marketing: uma orientação aplicada. 4. ed. Porto Alegre: Bookman.

NAGLE, Thomas T.; HOGAN, John; ZALE, Joseph. (2017). The strategy and tactics of pricing. 5. ed. New Jersey: Pearson.

NEGASH, Solomon; GRAY, Paul. (2008). Business intelligence. In: BURSTEIN, F.; HOLSAPPLE, C. W. (ed.). Handbook on decision support systems 2. Berlin: Springer.

REDMAN, Thomas C. (2001). Data quality: the field guide. Boston: Digital Press.

SARIKAYA, A. et al. (2018). What do we talk about when we talk about dashboards? IEEE Transactions on Visualization and Computer Graphics, v. 25, n. 1, p. 682–692.

SHARDA, R.; DELEN, D.; TURBAN, E. (2020). Business intelligence, analytics, and data science. 4. ed. New Jersey: Pearson.

TALLURI, K. T.; VAN RYZIN, G. J. (2004). The theory and practice of revenue management. New York: Springer.

TUFTE, Edward R. (2001). The visual display of quantitative information. 2. ed. Cheshire: Graphics Press.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy