Modelos preditivos para otimização de rentabilidade no setor automotivo : aplicação de técnicas de machine learning para recomendação de tabelas de preço

Abstract

Resumo: A gestão estratégica de preços é um vetor determinante para a rentabilidade no varejo de autopeças, historicamente limitado por regras estáticas. Este trabalho desenvolve um modelo de recomendação de tabelas de preço baseado em Machine Learning, utilizando dados transacionais anonimizados. A metodologia confrontou o desempenho de uma Regressão Linear Múltipla (baseline) com o algoritmo XGBoost. Os resultados comprovaram a superioridade da abordagem não-linear, que atingiu um R 2 de 0,58 contra 0,46 do modelo linear, reduzindo significativamente o erro de estimativa. A interpretação do modelo via SHAP Values revelou que variáveis comportamentais do cliente (RFM e Ticket Médio histórico) são preditores de disposição a pagar mais relevantes que as características técnicas do produto. O estudo conclui com a proposição de uma ferramenta consultiva de suporte à decisão, adequada às restrições de recorrência do mercado B2C

Abstract: Strategic pricing management is a key driver for profitability in the automotive parts retail sector, historically constrained by static rules. This study develops a price table recommendation model based on Machine Learning using anonymized transactional data. The methodology benchmarked the performance of Multiple Linear Regression (baseline) against the XGBoost algorithm. Results demonstrated the superiority of the non-linear approach, achieving an Rr of 0.58 compared to 0.46 for the linear model, significantly reducing estimation error. Model interpretation via SHAP Values revealed that customer behavioral variables (RFM and historical Average Ticket) are more relevant predictors of willingness to pay than technical product characteristics. The study concludes by proposing a consultative decision-support tool tailored to the recurrence constraints of the B2C market