Artigo elaborado pelos consultores Henrique Souza e Dario Sales
O seu negócio apresenta um tratamento semelhante de preços para clientes com perfis distintos? E para diferentes regiões sócio demográficas? A segmentação de clientes na gestão de preços não só auxilia a otimizar e direcionar esforços de Marketing, como também pode alavancar os resultados de captura de valor de sua empresa. Sob a ótica de pricing, uma pergunta ainda mais apropriada seria: os produtos/serviços do seu negócio valem o mesmo para todos os clientes? Esta é uma pergunta bastante válida pois grupos diferentes de consumidores percebem valor diferente sobre um mesmo produto/serviço e, por isso, precisamos estar atentos para não deixarmos “dinheiro sobre a mesa” ou clientes não atendidos.
O gráfico abaixo ilustra como um produto com um preço uniforme não captura totalmente o valor de mercado. Os segmentos A e B indicados no eixo horizontal acabam pagando menos do que acreditam valer o produto e os segmentos C, D e E não conseguem comprar pelo preço proposto pois não está alinhado ao valor que enxergam. Assim, temos um potencial de diferenciação de preços a partir da segmentação dos clientes.
Em nossos projetos, um dos principais indicadores para uma necessidade de segmentação é a alta dispersão de preços para um mesmo produto. Os primeiros critérios que normalmente utilizamos para considerar o grau de dispersão é a região em que o cliente está localizado (pois impostos e fretes podem afetar o nível de dispersão, por exemplo) e o canal pelo qual o produto foi vendido (se é um canal direto ou indireto, por exemplo). Se isolarmos esses e outros critérios objetivos e, mesmo assim, o nível de dispersão continuar alto, precisamos entender a justificativa para cobrar preços diferentes para o mesmo grupo de clientes.
Outra hipótese que pode justificar a alta dispersão é quando os clientes que pagam o menor preço compram volumes muito superiores aos clientes que pagam o maior preço, e este racional está adequado. Esta prática, por sua vez, poderia ser contemplada em uma política comercial que tenha como incentivo volume de compra, justificando em parte uma possível dispersão de preços. Mesmo nesta situação, a segmentação pode ser um critério importante para diferenciar políticas de preços. Por exemplo, um segmento pode ter o volume como variável que concede maior desconto, outro segmento pode ter mix de produtos como a variável que concede mais descontos, e assim por diante.
Considerando um alto grau de dispersão aleatória, isto é, que não tenha justificativa para que um grupo de clientes esteja pagando um preço muito diferente de outros grupos, podemos aplicar técnicas de clusterização que são capazes de distinguir grupos de clientes (segmentos) com comportamento de compra ou perfis semelhantes e, portanto, precisam ser concedidas condições comerciais específicas em uma política de preços. Para isso, utilizamos algumas técnicas estatísticas que auxiliam no processo de agrupamento dos clientes a partir de variáveis pré-estabelecidas. A seguir, detalhamos alguns pontos de atenção importantes para seleção e tratamento dessas variáveis.
Variáveis para Segmentação
Como mencionado, os resultados de uma segmentação são bastante benéficos para o negócio. No entanto, a fim de atingir estes resultados, a estruturação desta segmentação é crítica e se começa pela seleção e manipulação das variáveis para determinar os possíveis clusters.
Uma maneira mais simples de segmentar os clientes é utilizar como critério apenas uma variável. No exemplo abaixo, apresentamos um histograma que representa a dispersão dos volumes de compra de cada cliente. O gráfico da esquerda representa apenas a dispersão desses volumes, enquanto o gráfico da direita apresenta uma forma de segmentar a base de clientes em 4 grupos de acordo com o volume de compra de cada um.
Outra maneira simples de se segmentar uma base de clientes é utilizar duas variáveis como critério. Abaixo apresentamos um exemplo de clusterização a partir das variáveis volume e margem relativa. Cada ponto do gráfico representa um cliente, com um determinado volume (eixo Y) e determinada margem percentual (eixo X). Como pode ser observado, podemos considerar limites de volume e margem para a segmentação da base de clientes:
Ao considerar modelos de segmentação a partir de uma, duas ou até três variáveis, conseguimos identificar as características de cada grupo de maneira simples e identificar visões gráficas que justifiquem essas segmentações. No entanto, é comum que o modelo de negócios ou a estratégia da empresa demandem a seleção de diversas variáveis que sejam critérios importantes a serem considerados na segmentação de clientes. Para isso, são utilizadas alguns algoritmos ou técnicas estatísticas como apoio para a formação desses segmentos. Um exemplo dessas técnicas é utilizar o agrupamento K-médias ou K-means, que considera a similaridade de grupos de acordo com centroides e distâncias euclidianas de cada cliente e suas variáveis.
Neste caso, quando são utilizadas diversas variáveis, é importante considerar critérios claros para a formação dos segmentos. Não podemos confundir desejos dos clientes com o que eles precisam e estão dispostos a pagar. Como mencionado, os segmentos têm o papel de diferenciar política de preços e, portanto, é importante ter cuidado para que a segmentação criada não conflite com a estratégia do negócio.
Por exemplo, digamos que uma das variáveis para esta segmentação seja o potencial de compra do cliente. Poderíamos classificar um grupo que possui alto potencial de compra mas alguns clientes deste grupo podem ter baixo volume de compras atual com a nossa empresa. Neste caso, há o risco de considerarmos variáveis que não necessariamente representem critérios objetivos e que deveriam fazer parte de uma política de descontos, por exemplo. Além disso, ainda sobre o potencial de compra, indica-se que sua mensuração seja quantitativa para não haver subjetividade na classificação entre alto e baixo potencial. No mercado agropecuário, por exemplo, estima-se potencial a partir do número de cabeças de gado de uma fazenda, número de hectares da propriedade, entre outros indicadores quantitativos de fácil mensuração.
Multicolinearidade
Um ponto de atenção recai sobre a multicolinearidade das variáveis, que é caracterizada pelo alto grau de correlação entre as variáveis independentes selecionadas como critérios para a segmentação. Por exemplo, digamos que se deseja segmentar os clientes a partir de duas variáveis: nível de faturamento e volume de compra. Em alguns mercados, clientes com alto volume de compras podem representar aqueles que também possuem um alto nível de faturamento. Ou seja, consideramos que há multicolinearidade entre essas duas variáveis. Se as duas variáveis forem correlacionadas, não há porque utilizar esses dois critérios para análise, uma vez que ambos apresentam o mesmo racional de divisão entre os clientes. Neste caso, aconselhamos que seja selecionada uma variável que tenha maior acompanhamento por parte da empresa para facilitar a comunicação com as áreas que utilizam desse critério para a diferenciação entre os clientes.
Normalização das variáveis
Um passo bastante relevante para se segmentar os clientes é a normalização das variáveis selecionadas. Isso evita que clientes com níveis muito distintos de variáveis sejam agrupados em segmentos com poucos clientes. Por exemplo, é comum encontrarmos segmentos com um ou dois clientes pois possuem um volume muito superior os demais clientes da base.
Outro exemplo que observamos é a utilização da variável de mix de produtos que os clientes compram como um dos critérios para a segmentação. Em um exemplo hipotético, este mix pode ser composto por 200 produtos do portfólio de um negócio e apenas um cliente comprar 100% deste portfólio, enquanto a maioria dos clientes compram em torno de 50 produtos, ou 25% dos produtos ofertados. Aplicando análises estatísticas para segmentação desses clientes, provavelmente teríamos um cluster com apenas um cliente, aquele que compra todos os produtos, uma vez que ele se destaca como um ponto bastante “fora da curva”. Assim, o tratamento de outliers é essencial neste processo de normalização.
No entanto, é muito importante entender a distribuição dos resultados de uma variável antes de eliminar outliers. Em alguns casos, pode ser relevante o entendimento das causas da existência desses outliers. Caso seja necessário o tratamento das variáveis em relação aos outliers, é necessário estabelecer limites mínimos ou máximos mais adequados ou até desconsiderar a variável no processo de segmentação.
Outra forma de tratar os dados para uma melhor interpretação e tratamento estatístico é tornar variáveis contínuas em variáveis discretas. Podemos trabalhar com faixas de valores para cada variáveis. No exemplo citado acima referente ao mix de compra dos clientes, poderíamos adotar quatro faixas: 0 a 25 produtos, 26 a 50 produtos, 50 a 100 produtos ou acima de 100 produtos. Com isso, ao invés de termos uma variável contínua, utilizaríamos para a análise uma variável discreta com 4 opções possíveis.
Resultados
Após o cruzamento de diversas variáveis e a formação de segmentos, é muito importante o processo de caracterização dos segmentos. Por exemplo, ao ser utilizado o volume de compra como uma das variáveis, qual o segmento que representa clientes com volumes maiores? Se foi utilizada a variável “regularidade de compra”, qual é o segmento que possui maior regularidade de compra? E qual possui a menor regularidade de compra? Caracterizar os segmentos a partir das variáveis analisadas é importante para entendermos qual será o posicionamento de preço ou a política comercial que deverá ser adotada para cada grupo de clientes. Vale lembrar que, para fins de precificação, a segmentação só faz sentido se, a partir dela, a empresa puder definir estratégias de preços diferenciadas para cada segmento.
Outra atividade importante ao analisar os resultados é questionar se existem segmentos com poucos clientes. Dependendo do negócio, pode ser que faça sentido ter alguns grupos exclusivos, com poucos clientes. Porém, na maioria de nossos projetos, chegamos à conclusão que não fazia sentido segmentos com poucos clientes e estes foram reclassificados e alocados em outros segmentos já existentes.
Além do número de clientes por segmentos, também é importante considerar se o número de clusters/segmentos faz sentido para a gestão. Podemos encontrar em alguns artigos que um número entre três a seis grupos é ideal para a gestão dos segmentos. Nesta caso, considerando a particularidade de cada negócio, a estrutura necessária para a gestão de um número elevado de segmentos é muito importante e, da mesma forma, precisamos entender se o alto número de segmentos faz sentido para diferenciar preços e políticas comerciais.
Acreditamos que um dos principais pilares em uma boa gestão de pricing é uma segmentação adequada de seus clientes. Acreditar que todos os consumidores têm as mesmas necessidades, dores e hábitos de compra pode ser extremamente arriscado para o negócio. Caso não tenha segurança em classificar os clientes em segmentos distintos, avalie a opção de criar maneiras que permita o cliente se auto segmentar. Podemos observar esta prática em menus de tarifas de companhias aéreas, por exemplo. Explore movimentos que podem não ser o senso comum, como é o caso de clientes VIPs, que exigem nível de atendimento e relacionamento superior e que estão dispostos a pagar preços superiores. Por fim, reveja a segmentação de forma constante. O mercado é dinâmico, preços são dinâmicos e isso pode afetar diretamente o comportamento de compra e perfil dos seus clientes.
