monitor-competitividade-price-gap-py

Monitor de Competitividade e Price Gap

Este projeto não busca definir preços ótimos, mas estruturar critérios claros para tomada de decisão em cenários reais de incerteza.

Logo, estruturei um sistema analítico para monitoramento competitivo de preços, identificação de price gaps, dispersões e riscos competitivos, com foco em decisões de pricing no varejo.

O projeto simula um cenário real de negócio, comparando preços próprios vs. concorrência e gerando métricas acionáveis para apoio à tomada de decisão.

Para quem é este projeto?

•	Para profissionais de pricing, RGM e performance
•	Para contextos de varejo competitivo
•	Para apoio tático, não precificação automática

Objetivo de Negócio

Apoiar decisões reais de pricing, reduzindo risco competitivo e priorizando ações com impacto financeiro.

Permite responder perguntas como:

Arquitetura do Projeto

Arquitetura pensada para separar orquestração, lógica de negócio e dados, seguindo boas práticas de engenharia de dados.

├── data/
│   ├── raw/            # Dados de entrada (preços próprios e concorrência)
│   └── processed/      # Dados tratados (parquet)
├── outputs/            # Outputs finais (CSV para consumo de negócio)
├── scripts/            # Orquestração do pipeline
│   ├── generate_sample_data.py
│   └── run_pipeline.py
├── src/price_gap_monitor/
│   ├── pipeline.py     # Lógica principal de competitividade e pricing
│   ├── metrics.py      # Cálculo de métricas de gap e dispersão
│   ├── risk.py         # Classificação de risco competitivo
│   └── io.py           # Leitura e escrita de dados
├── tests/              # Testes unitários
├── pyproject.toml      # Configuração do pacote Python
└── README.md

Por que essa arquitetura

Fluxo de Dados

  1. Dados brutos entram em data/raw
  2. Pipeline calcula métricas de competitividade e risco
  3. Dados tratados são salvos em data/processed (parquet)
  4. Output final é exportado em outputs/monitor_competitividade.csv

Como Executar o Projeto

Este projeto simula um pipeline de análise de competitividade e price gap com foco em apoiar decisões de pricing e RGM.

Pré-requisitos

Instalação

Clone o repositório e acesse a pasta do projeto:

git clone https://github.com/ivancaputonunes-hub/monitor-competitividade-price-gap-py.git
cd monitor-competitividade-price-gap-py

Crie um ambiente virtual:

python -m venv .venv

Ative o ambiente virtual:

# macOS / Linux
source .venv/bin/activate

# Windows (PowerShell)
.\.venv\Scripts\Activate.ps1

Instale as dependências:

pip install -r requirements.txt

Caso o projeto esteja configurado como pacote:

pip install -e .

Gerar base de exemplo (opcional, recomendado para primeira execução)

Gera um conjunto de dados sintético para simular cenário de negócio:

python scripts/generate_sample_data.py

Quickstart (copiar e colar)

Roda o pipeline e gera os artefatos finais:

python scripts/run_pipeline.py

Onde saem os arquivos

•	Dados tratados (parquet): data/processed/
•	Output final para consumo (CSV): outputs/monitor_competitividade.csv

Testes

Para executar os testes automatizados:

pytest -q

Decision Playbook (RGM)

Este playbook traduz os outputs do monitor em ações táticas.

Regra 1 — Quando mexer no preço (reduzir)

Mexer quando houver risco competitivo alto e gap acima do mercado.

Critério prático: • gap_pct_vs_mean > +5% • risk_label = HIGH

Ação: • Reduzir preço ou acionar mecanismo de proteção (ex.: ajuste tático por cluster/canal/categoria)

Regra 2 — Quando segurar

Segurar quando estiver alinhado ao mercado e o risco estiver controlado.

Critério prático: • gap_pct_vs_mean entre -5% e +5% • risk_label = LOW ou MEDIUM

Ação: • Manter preço e monitorar (sem mexer por ansiedade)

Regra 3 — Quando investigar antes de agir

Investigar quando o gap for negativo (abaixo do mercado), porque pode ser perda de margem sem necessidade.

Critério prático: • gap_pct_vs_mean < -5%

Ação: • Validar competitividade real (cesta, elasticidade, promo, ruptura) • Se não houver justificativa, corrigir para recuperar margem

Exemplos (com números do output)

Exemplo A — Alto risco competitivo (ação imediata) • own_price: 10.49 • comp_price_mean: 9.79 • gap_pct_vs_mean: +7.1% • risk_label: HIGH Decisão: priorizar revisão de preço (ou proteção por cluster) e acompanhar impacto.

Exemplo B — Potencial perda de margem (investigar) • own_price: 8.99 • comp_price_mean: 9.79 • gap_pct_vs_mean: -8.2% • risk_label: LOW/MEDIUM Decisão: investigar se há motivo (promo, estratégia, elasticidade). Se não houver, corrigir para recuperar margem.

Premissas e limitações

•	Concorrência é tratada como comparável (não considera diferenças finas de canal/serviço/experiência)
•	Gap é calculado de forma estática (não modela elasticidade-preço)
•	Não incorpora efeito de promoções, ruptura e substitutos de forma explícita
•	Dispersão captura variabilidade de preço, mas não explica causalidade (ex.: guerra de preços local)

Exemplos de Outputs e Análises

Esta seção demonstra, na prática, os outputs gerados pelo pipeline e como eles suportam decisões reais de pricing e competitividade.

Output final do pipeline (CSV processado)

Arquivo gerado automaticamente pelo pipeline (monitor_competitividade.csv), contendo métricas de competitividade por SKU, loja e data.

Principais campos:

Em um ambiente real, este output seria consumido por times de pricing, comercial ou BI como insumo para priorização de ações. Este arquivo é a base para análises exploratórias, dashboards e priorização de ações de pricing.

CSV Output Monitor

Distribuição de GAP percentual vs mercado (Pivot)

Análise agregada via tabela dinâmica, classificando SKUs conforme o GAP percentual vs média da concorrência:

Essa visão permite:

Distribuição de GAP Percentual