Estratégia de precificação

Para varejistas digitais, a capacidade de revisar preços rapidamente e em larga escala surgiu como um diferencial decisivo, especialmente durante períodos de inflação, quando os preços flutuam com mais frequência. Muitos varejistas vasculham sites de concorrentes em busca de informações sobre preços e as utilizam para definir seus próprios preços, manual ou automaticamente, frequentemente usando uma estratégia de cobrar X dólares ou X por cento a menos do que o concorrente com o menor preço. No entanto, varejistas que utilizam heurísticas tão simples perdem oportunidades significativas porque não adaptam suas respostas à disponibilidade e à demanda do produto, entre outros fatores.

Reconhecendo isso, mais varejistas estão aplicando modelos de aprendizado de máquina para orientar suas decisões de preços. Os algoritmos associam as variações de preço às variações de vendas, minerando ondas de dados históricos sobre compras, preços e características do produto. Apesar dessa sofisticação, pesquisas mostram que tais esforços alcançam, em média, uma melhoria na receita ou no lucro de 1% ou menos. Ao confiar em dados históricos para definir preços, por exemplo, um varejista pode igualar desnecessariamente o preço baixo de um concorrente para um item que o rival não tem em estoque. Ou pode corresponder a um preço baixo, mesmo que outros fatores além do preço sejam os principais motivadores das escolhas de compra dos clientes, como a qualidade do produto ou a reputação da marca.

Alguns varejistas descobriram uma maneira de superar esses desafios e, como resultado, obtiveram crescimento de dois dígitos em receitas e lucros. Eles deixaram de depender da tomada de decisões manual com base no histórico de vendas e passaram a usar sistemas automatizados orientados por algoritmos sofisticados que consideram uma série de fatores, permitindo-lhes otimizar preços em tempo real.

Neste artigo, descrevemos um processo passo a passo para a construção de um modelo de precificação baseado em IA que começa pela compreensão de como os consumidores decidem o que e onde comprar, conduzindo experimentos para medir a elasticidade do preço (quão sensível a demanda por um produto é ao preço) e, em seguida, aplicando ferramentas de otimização para definir preços que maximizem a receita ou o lucro. Graças ao rápido crescimento das etiquetas eletrônicas de prateleira, nosso processo também pode ser aplicado em ambientes de varejo físico. Ele pode ser especialmente útil na precificação de produtos perecíveis, como alimentos e moda, onde os varejistas precisam ajustar dinamicamente os preços de produtos próximos da data de validade para incentivar vendas mais rápidas e reduzir o desperdício.

Alguns varejistas aplicam modelos de aprendizado de máquina que utilizam dados históricos para orientar decisões de preços. Mas tais esforços aumentam as receitas e os lucros em apenas 1% ou menos.

Para ilustrar nosso processo, baseamo-nos principalmente em nossas experiências com duas empresas com as quais trabalhamos como parceiros acadêmicos. A primeira era uma varejista online chinesa multibilionária que experimentou um crescimento meteórico impulsionado por uma variedade de produtos cada vez mais ampla, expansão geográfica e preços agressivos. Ela se posicionou no mercado como uma varejista de preços baixos e superou ou igualou os preços de seus concorrentes. Ela raspava os sites dos concorrentes diariamente, mas definia os preços manualmente na maior parte do tempo. A segunda era uma varejista online líder nos EUA, com receitas anuais de vários bilhões de dólares. Ela tinha uma equipe dedicada de análise de preços e quase metade de seus produtos eram precificados algoritmicamente. Assim como a primeira varejista, ela raspava os sites dos concorrentes diariamente para SKUs de giro rápido e semanalmente ou quinzenalmente para SKUs de giro lento.

Aqui está o nosso processo de sete etapas, que você pode usar para desbloquear todo o potencial do seu próprio sistema de precificação dinâmica.

 

[ 1 ]

Escolha o seu Foco

Comece pensando em quais produtos você deseja focar: produtos mais vendidos, produtos de médio porte ou produtos de cauda longa. Faça sua escolha com base na concentração das suas vendas. Se você gera a maior parte das suas vendas (digamos, mais de 80% da receita total) a partir de alguns produtos, comece a implementação com esses produtos mais vendidos. Se suas vendas não forem concentradas — como é o caso de varejistas de decoração e supermercados, por exemplo — concentre-se em produtos de médio porte ou produtos de cauda longa. Nesses cenários, você precisa ter (ou estar pronto para desenvolver) a capacidade analítica necessária para aplicar a precificação dinâmica a um grande número de produtos.

Nosso trabalho com o varejista online chinês — líder de mercado em produtos para bebês e mães, como mamadeiras, fraldas e bombas de tirar leite — começou quando seu presidente nos perguntou se sempre igualar o preço do concorrente com o menor preço seria uma boa estratégia. Ele e seus executivos questionaram a necessidade de igualar o preço de cada produto vendido e de acompanhar as ações dos concorrentes, mesmo quando era evidente que um rival havia cometido um erro de precificação (fixando preços irrealisticamente altos ou baixos). Antes de entrar em contato conosco, as decisões de precificação do varejista eram, em grande parte, tomadas manualmente por gerentes de produto, cada um dos quais supervisionava algumas dezenas de linhas de produtos. Os gerentes acompanhavam de perto as tendências de marcas e produtos relevantes, como sua popularidade entre os consumidores, os lançamentos de novos produtos (ou novas versões de produtos existentes), bem como os preços dos concorrentes. Os gerentes de produto então determinavam diária ou semanalmente os preços que cobrariam por cada produto. Como esse processo manual era extremamente demorado, eles normalmente prestavam mais atenção aos SKUs de alto volume e apenas ocasionalmente ajustavam os preços dos outros.

Em categorias cujas vendas são dominadas por poucos produtos, você pode usar um modelo sofisticado; em categorias cujas vendas são altamente distribuídas, use um modelo escalável.

Começamos nosso trabalho com mamadeiras. Esta subcategoria era dominada por um punhado de produtos oferecidos por algumas marcas nacionais e internacionais. Concentramo-nos nos 30 principais SKUs, que representavam mais de 80% da receita total da subcategoria. A implementação do nosso modelo de precificação baseado em IA levou a um aumento de 11% na receita desses produtos mais vendidos, mantendo a margem bruta da categoria. Em seguida, focamos em várias outras categorias, como pequenos eletrodomésticos e utensílios de cozinha, onde alguns produtos de alta rotatividade representavam a maior parte da receita. Essas implementações adicionais geraram aumentos de receita de até 19% sem comprometer as margens de lucro.

As vendas do varejista online americana — principalmente móveis para casa, como camas, mesas de centro, tapetes e decoração — não se concentraram em alguns dos principais produtos. Em cada subcategoria, uma empresa vendia algumas centenas de milhares de SKUs, e suas vendas eram distribuídas de forma bastante uniforme entre os produtos vendidos.

Antes de entrar em contato conosco, a empresa utilizava um algoritmo para precificar automaticamente cerca de metade de seus SKUs. No entanto, havia começado recentemente a pesquisar os preços nos sites dos concorrentes e se perguntava qual a melhor forma de responder às suas variações. Rapidamente, implementamos um sistema dinâmico de preço-resposta para mais de 10.000 produtos. Durante um período de testes de um mês, isso resultou em um aumento de 15% na receita e de 10% no lucro para quatro categorias do piloto: camas, pufes, mesas de centro e bancos altos.

O principal dilema na escolha do foco entre os mais vendidos ou uma ampla gama de produtos é a sofisticação do algoritmo versus a escalabilidade. Um sistema sofisticado geralmente envolve técnicas de modelagem complexas, como modelos não lineares, que são excelentes para compreender as maneiras complexas como os consumidores tomam decisões e fornecer respostas precisas a perguntas sobre preços. Mas esses modelos são difíceis de trabalhar quando se tem muitos SKUs. Por exemplo, um modelo linear que lida com milhares de variáveis ​​ou SKUs pode otimizar as decisões que produz em poucos segundos; um modelo complexo pode levar dias ou semanas, mesmo com os recursos computacionais mais avançados.

Os varejistas podem gerenciar esse trade-off no nível da categoria: em categorias cujas vendas são dominadas por poucos produtos, você pode usar um modelo sofisticado; em categorias cujas vendas são altamente distribuídas, use um modelo escalável. Dentro de uma categoria, você pode implementar ambos os tipos de algoritmos adotando o sistema de classificação ABC padrão. (O Grupo A representa os 20% dos SKUs que respondem por 80% das receitas, o Grupo B representa os 30% dos SKUs que geram 15% das receitas e o Grupo C representa os 50% dos SKUs que geram 5% das receitas.) Aplique uma abordagem mais sofisticada para os itens do Grupo A, que são os principais contribuintes para a receita ou lucro, e uma abordagem escalável para os Grupos B e C.

 

[ 2 ]

Construa um Modelo de Decisão do Consumidor

Antes de tomar boas decisões de preço, você precisa entender como seus consumidores tomam decisões de compra. As pessoas estão sempre fazendo escolhas: quais produtos comprar (Philips Avent versus mamadeiras Dr. Brown's, mamadeiras anticólicas versus mamadeiras comuns) e onde ou de quem comprá-los (de você ou de um de seus concorrentes). Obviamente, o preço é um fator a ser considerado em suas decisões, mas não é o único. Outros fatores incluem a qualidade do produto, a disponibilidade do produto, a reputação da marca, as avaliações dos clientes, a confiabilidade do fornecedor, a conveniência da compra e a política de devolução e troca do varejista. Além disso, cada consumidor aborda suas decisões de compra de forma diferente. Alguns podem estar dispostos a pagar mais por uma marca confiável; outros podem estar em busca de pechinchas. Isso significa que, a menos que a maioria dos seus clientes esteja procurando o menor preço entre os varejistas, pode não ser uma boa ideia sempre igualar os preços dos concorrentes.

No caso do varejista chinês, inserimos em um algoritmo informações sobre preços e vendas referentes a alguns meses dos SKUs que havíamos identificado na Etapa 1, os preços dos itens praticados pelos concorrentes e dados sobre se os SKUs individuais de todas as empresas estavam em estoque ou não. O algoritmo foi então capaz de determinar qual proporção de consumidores preferia comprar de cada um dos varejistas, independentemente do preço e da disponibilidade do produto. (Em nossa implementação, não tentamos descobrir o que estava impulsionando essas preferências, mas os varejistas podem usar uma abordagem semelhante para outros fatores além do preço e da disponibilidade do produto.)

Depois de ter uma boa noção de como seus clientes estão fazendo suas escolhas de compra, você pode criar um modelo de decisão do consumidor, que é uma fórmula que prevê a demanda do produto considerando seus preços e os da concorrência, juntamente com outros fatores-chave, incluindo a disponibilidade do produto e as circunstâncias em que os clientes estão tomando suas decisões de compra. Por exemplo, você obterá melhores resultados com um modelo que informa quantas unidades de uma estrutura de cama você pode vender por US$ 195 em uma sexta-feira à noite, quando seu concorrente a precificou por US$ 200, do que com um modelo que considera apenas o preço do concorrente. Sejam simples ou complexos, todos os modelos devem fazer uma coisa: informar como precificar seus produtos para alcançar os resultados que você deseja.

Utilizando o modelo de decisão do consumidor que desenvolvemos para o varejista chinês, executamos uma implementação que previu as vendas de todos os produtos mais vendidos, considerando os preços do varejista e de seus concorrentes. O modelo levou em consideração características do produto, como a marca e a faixa etária pretendida para cada tipo de mamadeira, além da disponibilidade do produto em cada concorrente em um determinado dia. Também considerou os preços de outros produtos além de mamadeiras no site, pois os clientes frequentemente navegavam por uma variedade de produtos antes de efetuar uma compra. Além disso, o modelo levou em consideração os dias da semana: os clientes que visitaram a loja na segunda-feira foram menos afetados pelos preços do que aqueles que visitaram a loja no domingo.

Conhecer a elasticidade-preço de cada produto é crucial. Se um aumento resultar em uma variação muito pequena na demanda, você não precisa se preocupar em acompanhar os preços dos concorrentes e compará-los.

Para o varejista online dos EUA, utilizamos um modelo simplificado para torná-lo mais escalável. O modelo previu as vendas de um produto específico considerando apenas seu preço e disponibilidade, bem como os preços e a disponibilidade do mesmo produto nos sites dos concorrentes. Essa simplificação permitiu que o algoritmo escalasse rapidamente para milhares de produtos. Como mostram esses dois exemplos, os parâmetros do modelo podem variar, e irão variar, de acordo com as características do produto e o varejista. Por exemplo, a demanda por um produto com avaliações mais altas dos clientes pode ter menor elasticidade-preço, e os consumidores podem ser mais sensíveis aos preços da Amazon do que aos da Home Depot.

 

[ 3 ]

Experiência

Agora que você tem uma fórmula que descreve como seus consumidores tomam decisões de compra, precisa determinar os valores dos parâmetros ajustando a fórmula aos seus dados. A variável mais importante é a elasticidade-preço: a variação percentual na demanda que ocorre se você aumentar o preço de um produto em 1%. Conhecer a elasticidade-preço de cada um dos seus produtos é crucial para definir preços de forma inteligente. Se um produto tem baixa elasticidade (um aumento de preço resulta em muito pouca variação na demanda), você não precisa se preocupar em monitorar os preços dos concorrentes e igualá-los. Mas se seus consumidores podem ser atraídos por concorrentes que oferecem preços um centavo a menos, então você provavelmente terá que superar ou pelo menos igualar esse preço.

Para medir a elasticidade, é necessário variar os preços sistematicamente ao longo do tempo e observar a reação dos consumidores. Muitas pessoas omitem essa etapa na implementação de precificação algorítmica, o que as impede de obter ganhos substanciais de receita e lucro. Você pode se perguntar: por que preciso experimentar se já possuo dados históricos sobre vendas, preços e características do produto? Não basta aprender a elasticidade do preço com esses dados? E um bom programa de aprendizado de máquina não deveria ser capaz de ajustar uma linha de regressão entre vendas e preço, dadas as características do produto? A resposta a essas perguntas é "não", por dois motivos.

Os preços dos dados históricos não variam o suficiente para calcular a elasticidade-preço — ou o preço em si não variou, ou acompanhou os preços dos concorrentes tão de perto que o preço relativo não variou. Outro problema com dados históricos são os chamados fatores de confusão, que influenciam tanto o preço quanto a demanda, mas não podem ser capturados retrospectivamente. Suponha que um varejista conduza uma campanha de marketing local para uma marca e aumente os preços desses produtos em antecipação ao aumento da demanda. Dados históricos podem levar à falsa conclusão de que os preços mais altos causaram o aumento da demanda. A experimentação é a melhor maneira de evitar esses problemas.

Um motivo comum pelo qual os varejistas hesitam em realizar experimentos de preços é que eles acreditam que são arriscados: eles sentem que estão perdendo o controle de uma decisão crucial. Mas experimentos não são arriscados se você os fizer corretamente. Em nosso trabalho com varejistas chineses e americanos, conduzimos experimentos cuidadosamente para minimizar seu potencial impacto comercial. Na implementação com foco nos mais vendidos do varejista chinês, definimos uma tabela de preços para os produtos antes do início do experimento, que especificou um nível de preço selecionado aleatoriamente próximo à média histórica para cada produto. Os ajustes de preços para cima e para baixo foram equilibrados de forma que não houvesse desvio direcional sistemático dos preços históricos. Os preços foram variados a cada três dias, em vez de diariamente, para manter a percepção e a confiança dos consumidores nos preços do varejista.

Em ambas as implementações, limitamos o nível de variação de preços a cerca de 3% dos preços atuais ou históricos, e nenhuma variou mais de 5%, minimizando assim os riscos potenciais resultantes de grandes desvios. Os ganhos de receita e lucro de dois dígitos que alcançamos não teriam sido possíveis sem esses experimentos cuidadosos para medir a elasticidade de preços. Os varejistas frequentemente se preocupam com o custo excessivo de experimentar, mas nossos resultados mostram que é ainda mais custoso não fazê-lo.

 

[ 4 ]

Medida

Agora é hora de combinar os dados com o modelo e as informações de elasticidade-preço. Seu objetivo é encontrar os melhores parâmetros que minimizem o erro ao testar seu modelo em relação ao seu histórico de vendas. Lembre-se de que é sempre mais difícil prever resultados em um nível granular do que em um nível agregado. Por exemplo, as vendas diárias são mais difíceis de prever do que as vendas semanais, o que significa que um erro de previsão de 20% pode ser bom para as vendas diárias de um determinado produto, mas ruim para as vendas semanais.

Na iniciativa com o varejista chinês, encontramos uma ampla gama de elasticidades de preço: algumas estavam próximas de zero (as mudanças de preço não tiveram impacto na demanda), mas a maioria dos produtos tinha elasticidades que variavam de -8 a -2. (Uma elasticidade de -8 significa que um aumento de 1% no preço resultará em uma redução de 8% na demanda.) As elasticidades foram correlacionadas com a popularidade do produto. O SKU com elasticidade de -8 foi comprado, em média, 22,5 vezes por dia, e o SKU com demanda quase inelástica foi comprado apenas 1,8 vezes por dia. Tivemos descobertas semelhantes no varejista dos EUA, cujos itens de mobiliário de nicho e de giro lento tinham elasticidades de preço mais baixas do que as de giro rápido. Isso faz sentido. As pessoas estão mais cientes do que é um bom preço para compras frequentes do que para produtos que compram raramente. Nos supermercados, por exemplo, os consumidores estão mais expostos e sensíveis aos preços de produtos populares que são exibidos em locais de destaque e anunciados com frequência, como maçãs e pão, mas menos pessoas podem saber o preço justo de um tempero especial específico.

Uma etapa crucial na definição de preços é perguntar o que você deseja otimizar: lucro, receita ou uma combinação dos dois.

A variação nas elasticidades também se reflete na qualidade percebida dos produtos. Descobrimos que mamadeiras importadas apresentaram elasticidades médias menores do que mamadeiras fabricadas no mercado nacional, pois as mamadeiras importadas eram fabricadas por fabricantes mais conceituados.

Esta etapa também permitirá que você entenda quais preços e rupturas de estoque dos concorrentes tiveram um impacto mais significativo em suas vendas e, portanto, exigem mais monitoramento e comparação de preços. Não é de surpreender que, em nossas duas iniciativas, nem todos os concorrentes tenham tido o mesmo impacto. Dois dos quatro concorrentes monitorados pelo varejista chinês tiveram quase nenhum impacto nas vendas de mamadeiras da empresa. Dois dos cinco concorrentes monitorados pelo varejista americano tiveram o dobro do impacto dos demais.

 

[ 5 ]

 Otimizar

Agora que você preencheu seu modelo com dados, está pronto para encontrar os melhores preços, considerando os preços dos concorrentes e os outros fatores mencionados acima. Um primeiro passo crucial é definir o que você deseja otimizar: lucro, receita ou uma combinação dos dois. Empresas em estágio de crescimento tendem a se concentrar mais na receita; empresas maduras, no lucro.

No entanto, nenhum varejista com quem trabalhamos ou estudamos estava pronto para especificar os pesos relativos que atribuiriam à receita versus lucro. Descobrimos que uma maneira melhor de integrar esses objetivos é usar a otimização com restrições — ou seja, atingir a meta ideal dentro de certas restrições comerciais. Por exemplo, você pode definir seu objetivo para maximizar a receita sem fazer com que as margens de lucro bruto caiam abaixo de um nível especificado. Quando trabalhamos com o varejista chinês, ele vendia mamadeiras com uma margem bruta de 10%, em média. Otimizamos os preços para maximizar a receita total da categoria, mantendo uma margem categórica de pelo menos 10%. As margens reais do produto após a otimização variaram de -1% (vendido com leve prejuízo) a 36%, dependendo da elasticidade-preço do item. Combinamos os preços dos dois principais concorrentes para produtos com alta elasticidade-preço; normalmente, não combinamos os preços dos dois concorrentes mais fracos.

Em nosso trabalho com o varejista americano, também otimizamos a receita sujeita a uma restrição na margem de lucro. Os executivos do varejista gostaram dessa abordagem porque ela manteve a precificação consistente com o posicionamento estratégico da empresa, mas não exigiu a tomada de decisões adicionais, como a definição de ponderações sobre lucro e receita. Em ambas as implementações, incorporamos outras restrições comerciais necessárias (por exemplo, pisos e tetos de preços ou faixas de preço impostas pelo fabricante) como parte da otimização.

 

[ 6 ]

Teste e Implemente

Antes de implementar seu novo algoritmo de precificação, é importante testá-lo em um experimento controlado. Atribua os produtos a dois grupos: o grupo de tratamento, para o qual você usará o novo algoritmo de precificação para definir os preços, e o grupo de controle, para o qual você definirá os preços da maneira antiga. O impacto do algoritmo pode então ser medido pelos resultados do grupo de tratamento em relação aos do grupo de controle.

Você pode perguntar: É realmente necessário ter um grupo de controle? O impacto não é simplesmente o aumento da receita produzido pelo novo algoritmo de precificação? O problema é que você não sabe o que teria acontecido se tivesse continuado usando o método antigo. No varejo, esse problema "contrafactual" é amplificado pelo fato de que a maioria dos produtos tende a apresentar sazonalidade. Por exemplo, apostamos que, se você implementasse seu algoritmo de precificação em dezembro e o comparasse com suas vendas em novembro, todos os algoritmos de precificação gerariam melhorias de três dígitos. Ter um grupo de controle permite que você destrinche o impacto de coisas que acontecem ao longo do tempo (feriados, promoções, novas tecnologias, lançamentos de novos produtos) para que você possa mensurar a mudança real produzida pelo novo algoritmo de precificação.

Um grupo de controle adequado consiste em produtos com características e sazonalidade semelhantes. Em nossa implementação para o varejista chinês, atribuímos mamadeiras para crianças menores de seis meses ao grupo de tratamento e mamadeiras para crianças maiores de seis meses ao grupo de controle. Para o varejista americano, atribuímos camas king size e California King ao grupo de tratamento e camas queen size, de casal e de solteiro ao grupo de controle. Além disso, rotacionamos os grupos de tratamento e controle. Na primeira semana, as camas king size foram o grupo de tratamento; na semana seguinte, as camas queen size foram o grupo de tratamento; e na terceira semana, as camas de casal e de solteiro foram o grupo de tratamento. Essa rotação permite avaliar melhor o impacto do modelo de precificação na receita e filtrar as diferenças entre os vários produtos.

 

[ 7 ]

Repita os Passos Três a Seis para Melhoria Contínua

Após implementar com sucesso um sistema de precificação dinâmico, recomendamos atualizá-lo periodicamente — a cada seis meses ou pelo período que considerar necessário, considerando a dinâmica do seu mercado. Esteja atento a grandes mudanças no seu cenário competitivo (novos participantes, por exemplo) e no portfólio de produtos (lançamento de novos produtos, por exemplo) que possam alterar as escolhas e preferências dos consumidores. Repita os passos três a seis (experimentar, mensurar, otimizar e implementar) para reajustar continuamente o seu algoritmo.

Nossa ferramenta para definição dinâmica de preços é altamente adaptável. Você pode facilmente incorporar inovações a essa estrutura analítica. Você pode, por exemplo, introduzir fatores comportamentais para melhor capturar o processo de tomada de decisão dos consumidores. Em um estudo de pesquisa em uma rede de supermercados, descobrimos que os consumidores nem sempre se enquadram na antiga convenção varejista de precificar um produto a US$ X,99. Enquanto alguns consumidores superestimam os dígitos da esquerda dos preços em até 30%, outros prestam atenção aos dígitos da extrema direita do preço de um produto (US$ 4,99 versus US$ 5,00). Isso sugere que os varejistas precisam ser inteligentes sobre quando incorporar esse viés em seus algoritmos.

Outra maneira de adaptar a ferramenta é integrar algoritmos de aprendizado de máquina recém-desenvolvidos para melhorar continuamente a precisão das estimativas de elasticidade-preço. Trabalhando com um varejista online internacional, identificamos os produtos que cada consumidor visualizou antes de efetuar uma compra. Esse processo nos permitiu mensurar com mais precisão como o preço de um produto pode afetar a demanda por produtos semelhantes, aumentando a receita do varejista em mais 5%.

Ao combinar análise de dados, metodologias experimentais e uma compreensão abrangente dos processos de tomada de decisão do consumidor, os varejistas podem gerar aumentos significativos nas receitas, ao mesmo tempo em que aumentam ou mantêm as margens de lucro. A essência da abordagem que descrevemos é o ciclo completo de "modelar, mensurar, maximizar". Uma solução fragmentada que envolva apenas uma dessas etapas pode gerar pequenas melhorias nas receitas ou nos lucros, de um percentual aqui e ali. Mas o uso integrado das três, impulsionado por ferramentas de IA, recompensará os varejistas com melhorias substanciais nas receitas ou nos lucros, sustentáveis ​​ao longo do tempo

Uma versão deste artigo apareceu na edição de novembro-dezembro de 2023 da Harvard Business Review.

 

Marshall Fisher é professor da UPS no Departamento de Operações, Informações e Decisões da Wharton School da Universidade da Pensilvânia e codiretor do Centro Fishman-Davidson de Gestão de Serviços e Operações da escola.

Santiago Gallino é um acadêmico distinguido pela Charles W. Evans Faculty Scholar e professor associado do Departamento de Operações, Informações e Decisões da Wharton School da Universidade da Pensilvânia e codiretor do Fishman-Davidson Center for Service and Operations Management.

Jun Li é bolsista da Michael R. e Mary Kay Hallman e professor associado de tecnologia e operações na Ross School of Business da Universidade de Michigan.