A precificação sempre foi uma das decisões mais sensíveis dentro de qualquer operação comercial. Em mercados com margens apertadas, como o farmacêutico, um erro pequeno pode virar prejuízo no fechamento do mês.

E foi exatamente esse cenário que impulsionou uma virada dentro do Grupo Gmill.

Neste artigo, resumimos os principais aprendizados do episódio #14 do InsightCast, com o convidado Felipe Deboni, diretor de TI, compartilhando como a combinação entre dados estruturados, automação e inteligência artificial mudou completamente a forma como a empresa toma decisões sobre preço.

O contexto da operação e o desafio da precificação

O Grupo Gmill atua na distribuição de medicamentos, operando com milhares de SKUs e uma dinâmica comercial que varia conforme canal, região e condições negociadas com a indústria.

Nesse cenário, a precificação deixa de ser uma atividade linear. Um produto igual, com o mesmo miligrama, e quantidade de comprimidos na embalagem, pode ter preços diferentes dependendo de fatores como localização geográfica, período do ano, demanda regional, carga tributária e acordos comerciais vigentes.

Antes da estruturação atual, esse processo era conduzido de forma majoritariamente manual, o que aumentava a exposição a erros e dificultava a previsibilidade dos resultados.

Como o próprio Deboni resume:

“A precificação era toda humana… e eu nem preciso dizer o quanto se errava.”

A virada de chave: sistemas orientados ao negócio

A mudança começou com uma decisão simples, mas difícil de executar: parar de tratar precificação como tarefa operacional e passar a tratá-la como inteligência de negócio. A partir disso, o Grupo Gmill desenvolveu dois sistemas centrais:

Sistema de acordos comerciais

O primeiro passo dessa transformação foi estruturar toda a lógica de negociação comercial dentro de um sistema centralizado. Antes, informações como regras de desconto, limites de margem, condições específicas por cliente e histórico de negociação poderiam estar distribuídas entre planilhas, sistemas isolados ou até mesmo no conhecimento tácito de colaboradores.

Com a criação desse sistema, essas variáveis passam a ser organizadas de forma estruturada, com regras bem definidas, rastreabilidade e acesso em tempo real. Isso reduz inconsistências, evita erros manuais e garante que todas as áreas operem com base nos mesmos critérios.

Na prática, o impacto é direto na gestão do negócio, a empresa deixa de analisar resultados apenas no fechamento do mês e passa a acompanhar a rentabilidade durante a execução das operações. Isso permite ajustes mais rápidos, maior controle sobre margens e decisões mais seguras ao longo do processo, e não apenas após o resultado já ter ocorrido.

Motor de precificação automatizado

O segundo pilar da transformação foi a criação de um motor de precificação automatizado, orientado por dados e capaz de analisar múltiplas variáveis simultaneamente. Diferente de modelos tradicionais, que dependem de decisões manuais ou regras fixas, esse sistema considera uma combinação de fatores internos e externos para definir o preço mais adequado em cada contexto.

Entre os dados analisados estão custo, validade e giro de estoque, além de informações externas como comportamento de mercado, demanda por região e posicionamento competitivo. O sistema também incorpora variáveis comerciais, como acordos específicos, campanhas promocionais e políticas de incentivo.

Esse nível de análise permite uma precificação muito mais precisa e dinâmica, a empresa consegue preservar margens quando há espaço, ser mais competitiva quando necessário e responder rapidamente a mudanças no mercado. Além disso, reduz a dependência de decisões baseadas em suposição, trazendo mais consistência e previsibilidade para os resultados.

Veja também: Como transformar tecnologia em diferencial competitivo na experiência do cliente?

O papel dos dados: sem estrutura, não existe IA

Um dos pontos mais fortes do episódio é a clareza sobre o papel da base de dados.

Antes de falar de IA, o Grupo Gmill precisou resolver um problema básico: organizar suas informações. Esse passo, muitas vezes negligenciado por empresas ansiosas em adotar tecnologia, é o que determina se uma iniciativa de inteligência artificial vai gerar resultado real ou virar mais um projeto esquecido.

Os números deixam claro o tamanho do problema. O Gartner aponta que, em média, 60% do tempo dos profissionais de dados é gasto limpando e organizando informações antes de qualquer análise. Isso significa que mais da metade do esforço técnico da empresa vai para corrigir um problema que poderia ter sido evitado com uma arquitetura de dados bem planejada desde o início.

A McKinsey reforça esse diagnóstico em seu relatório anual sobre o estado da IA. A consultoria aponta que a falta de dados integrados e de qualidade é o principal obstáculo citado por executivos para escalar iniciativas de IA dentro das organizações. Não se trata de limitação tecnológica, o desafio está na base: dados inconsistentes, desorganizados ou sem governança comprometem diretamente a capacidade de gerar valor com IA.

Isso envolveu estruturar dados de produtos, padronizar bases históricas, documentar tabelas e campos com clareza e evoluir para um modelo de dados em tempo real. Não é glamouroso, mas é fundamental. Empresas que pulam essa etapa acabam tentando construir sobre areia. Essa base de dados é o que permite que a IA funcione de verdade. Sem isso, qualquer iniciativa vira tentativa.

IA na prática: decisões mais rápidas e mais seguras

Com os dados organizados, a Inteligência Artificial entra como aceleradora. Ela não substitui a estratégia, mas amplia a capacidade de análise.

Hoje, a empresa consegue:

  • Avaliar demanda por região
  • Identificar oportunidades de ajuste de preço
  • Prever comportamento de venda
  • Tomar decisões com base em múltiplas variáveis simultâneas

Quando bem aplicada, a IA não elimina o papel humano, ela potencializa, permite que decisões sejam tomadas com mais velocidade, baseadas em dados e com maior previsibilidade.

Mentalidade “IA first”

Um dos conceitos mais interessantes do episódio é o de “IA first”. A ideia, na sua essência, é antes de criar qualquer solução, é perguntar: “Como a IA pode ajudar aqui?”. Isso muda completamente a abordagem. Em vez de começar pela escolha de ferramentas ou pela definição de um problema já estruturado, a abordagem passa a considerar desde o início como a inteligência artificial pode contribuir para gerar eficiência, escala e melhores decisões.

Na prática, isso significa que a IA passa a ser um ponto de partida, as equipes aprendem a olhar para cada processo perguntando onde a automação pode reduzir esforço, onde a análise de dados pode substituir a decisão baseada em suposições e onde a velocidade de processamento pode gerar vantagem competitiva real no mercado. Como destacado no episódio, essa mudança não depende necessariamente de grandes investimentos iniciais, mas de uma postura diferente diante da tecnologia.

Para o Grupo Gmill, adotar essa postura foi o que permitiu que a transformação fosse além da precificação e se espalhasse por outras áreas da operação, criando uma cultura em que tecnologia e estratégia caminham juntas.

Automação além da precificação

A mesma lógica foi aplicada em outros pontos da operação, com automação de processos repetitivos via RPA (Robotic Process Automation), assistentes inteligentes para atendimento e operação, e IA para leitura de pedidos desestruturados, áudios, imagens e PDFs.

Antes, uma equipe precisava interpretar pedidos enviados sem padronização. Hoje, a IA realiza a leitura inicial, aprende com as correções humanas e reduz drasticamente o esforço operacional ao longo do tempo.

A transformação na operação começa pelo alinhamento entre tecnologia

O maior aprendizado do episódio não está na tecnologia em si, mas na forma como ela é usada nos dias de hoje. Deboni reforça um ponto que ainda é negligenciado em muitas empresas: “TI não pode ser apenas sustentação. Ela precisa atuar junto ao negócio”.

Na prática, isso significa que a área de TI precisa entender profundamente como o negócio funciona, avaliar soluções com senso crítico antes de implementar qualquer coisa e medir o impacto do que foi feito em resultado.

Esse entendimento não acontece de forma isolada, ele exige proximidade com outras áreas da empresa, como financeiro, comercial, operações e atendimento, permitindo que a TI compreenda quais sistemas são essenciais, quais dados são críticos e quais impactos uma falha pode gerar.

Sem esse alinhamento, iniciativas de tecnologia tendem a perder conexão com o que realmente sustenta a operação, gerando projetos que não resolvem problemas ou que não entregam valor.

O que outras empresas podem aprender com esse case?

Mesmo em contextos diferentes, alguns aprendizados são universais. A precificação exige uma abordagem estratégica, e dados estruturados são pré-requisito para qualquer iniciativa de automação ou inteligência artificial. Sem essa base de dados, a tecnologia não entrega o que promete. Com ela, a automação libera tempo e energia para decisões melhores, e a IA potencializa quem já entende o negócio.

A tecnologia sozinha não transforma nada, é a combinação entre cultura, processos bem definidos e ferramentas certas que gera resultado sustentável. Você não precisa começar grande, mas precisa começar certo, com clareza sobre onde quer chegar e disposição para construir as bases que vão sustentar a evolução ao longo do tempo.

Quer assistir o episódio completo?

Ouvir no Spotify – InsightCast – Como IA e dados transformaram a precificação no grupo Gmill #14