Otimização de preços baseada na experiência para aumentar a bilheteria em uma rede de cinemas
Aplicação do design de experiência para otimizar preços no contexto de demanda altamente volátil
Em resumo
Desafio
A indústria cinematográfica portuguesa enfrentou desafios significativos devido à pandemia, levando ao declínio da receita e ao aumento da concorrência dos serviços de streaming. Uma grande operadora fez parceria com a LTPlabs para desenvolver uma estratégia de preços que maximiza a receita de produtos de bilheteria e bares. Essa tarefa complexa considera o comportamento diversificado dos cinemas, a demanda flutuante e fatores sobrepostos, como popularidade do filme e datas de lançamento.
Solução
Antes de implementar uma estratégia de preços, é essencial avaliar como as mudanças de preços afetam o comportamento e a demanda do cliente. Com revisões de preços pouco frequentes, um modelo de regressão simples, ajustado para efeitos fixos, como tempo e inflação, serve como linha de base. Foi realizado um teste piloto de várias combinações de preços em diferentes quartos, considerando fatores como sazonalidade, localização e tamanho do quarto. Sete principais fatores de demanda foram usados para segmentar salas em grupos, garantindo grupos de teste equilibrados para mudanças de preço.
Resultados
O piloto revelou que a análise simplista de dados não conseguiu produzir resultados claros devido a efeitos confusos, como estreias de filmes. A colaboração contínua e uma compreensão profunda das operações são cruciais para remover discrepâncias sem preconceitos. Verificou-se que a demanda é relativamente insensível a pequenas mudanças de preços, com aumentos de preços compensando a redução da demanda por meio de maior receita unitária. Além disso, fatores importantes, como dia da semana e localização, foram identificados, abrindo caminho para a implementação de uma estratégia de preços dinâmicos semelhante a outros setores, como hotéis e transporte aéreo.
O indústria de cinema em Portugal tem sido caracterizado por um pequeno número de operadores e mudanças de preços muito pouco frequentes na última década. O impacto da pandemia e a paralisação de negócios não essenciais por um período prolongado teve um efeito devastador nesse setor. Além do declínio na receita, essas circunstâncias criaram mais espaço para a concorrência externa, como os serviços de streaming, consolidar sua posição como uma alternativa muito popular de entretenimento. Esses fatores levaram a um necessidade de uma reavaliação das políticas de preços, agora acelerado por esse novo ambiente de custos operacionais crescentes.
Uma grande operadora do setor fez parceria com a LTPlabs para desenvolver uma estratégia de preços que maximizar a receita geral de produtos de bilheteria e bar (por exemplo, pipoca, bebidas, lanches). Este exercício é particularmente complexo devido aos seguintes fatores:
comportamentos significativamente diferentes entre diferentes cinemas (complexos) e capacidade e tipologia das salas
demanda altamente volátil e sazonal (mesmo semana a semana)
conjunto permanente de fatores sobrepostos, como popularidade do filme e datas de lançamento
Antes da implementação de qualquer estratégia de preços, é crucial avaliar a magnitude do impacto que as mudanças no preço têm no comportamento do cliente e na demanda geral.
Devido às raras revisões de preços nas bilheterias e nos bares, uma simples análise estatística dos dados históricos não poderia fornecer resultados suficientemente robustos que pudessem simplesmente ser extrapolados para o futuro. No entanto, um modelo de regressão simples controlando alguns efeitos fixos (por exemplo, tempo, inflação) ainda pode ser usado como uma linha de base para contrastar com a elasticidade real do preço.
A abordagem acordada para fornecer os melhores resultados foi teste várias combinações de preços em diferentes salas de cada complexo em Portugal. Considerando que a análise dos dados históricos revelou um forte efeito de sazonalidade mensal na demanda, concordamos com um Período de teste de 6 semanas para obter pelo menos um mês inteiro de dados.
O objetivo desse piloto era não apenas medir o impacto geral das mudanças no preço, em um intervalo de 10% abaixo do preço original a 10% acima desse preço, mas também entender como fatores como localização, sucessos de bilheteria e tamanho da sala poderiam suavizar ou acentuar a magnitude dessas elasticidades.
Identificamos 7 principais fatores de demanda e os usamos para caracterizar cada quarto em todos os complexos. As salas foram então segmentadas em diferentes grupos com base em seu perfil, usando primeiro um algoritmo de agrupamento baseado em densidade (para remover valores discrepantes) e, em seguida, um algoritmo baseado em distância para identificar os perfis.
A homogeneidade desejada de cada cluster foi crucial para garantir que todos os grupos de teste fossem o mais equilibrados possível, o que significa que cada grupo alvo de uma mudança de preço relativa continha tantos quartos de cada cluster quanto qualquer um dos outros grupos.
Logo após o piloto, ficou claro que uma análise superficial dos dados não resultaria em nenhuma conclusão imediata. O impacto de efeitos de confusão, como estreias de filmes durante esse período, significou que, em alguns casos, um aumento no preço levou a uma maior demanda. Isso destacou a importância de iterar continuamente com o cliente e desenvolver uma compreensão profunda das operações para permitir a remoção cuidadosa de alguns valores discrepantes sem introduzir distorções nos dados.
Uma análise da variação nos dados de bilheteria e de bar tratados nas várias salas levou à conclusão de que a demanda é relativamente insensível a pequenas variações de preços. Isso significa que os aumentos de preços implicam um incremento na receita unitária que compensa a redução na demanda.
Além disso, identificamos outros fatores-chave (por exemplo, dia da semana, local) que poderiam ser usados para ajustar a configuração de preço para um determinado período (dia, semana) para maximizar a receita total, abrindo as portas para a implementação de uma estratégia de preços dinâmicos semelhante ao que está sendo usado em outras indústrias (por exemplo, hotéis, transporte aéreo).
