IA para precificação industrial: do Excel a dashboards.

Indústrias acumulam anos de orçamentos em planilhas — milhares de cotações, centenas de clientes, dezenas de produtos. Mas quando o CEO pergunta "qual é o preço médio do produto X?" ou "por que perdemos a cotação Y?", a resposta leva horas — quando chega.

Este artigo mostra como a IA — com método aplicado aos dados que você já tem — transforma esse acúmulo em inteligência comercial. São 5 usos práticos, com demonstrações visuais do que é possível construir a partir de planilhas reais.

Planilhas são dados. Dados organizados viram decisão.

O problema não é a planilha. O problema é que depois de 3 anos e 3.000 cotações, a planilha não responde mais perguntas simples:

• Qual o preço mais comum de cada produto?
• O mesmo cliente pagou preços diferentes pelo mesmo item — por quê?
• Quanto tempo leva da solicitação do cliente até a aprovação do pedido?
• Qual vendedor tem a melhor taxa de conversão?

O Método Antes/Depois aplicado à precificação industrial segue o mesmo ciclo de sempre: extração dos dados brutos (XLSX), normalização (grafias, erros de vírgula, datas), análise (dispersão, tempos, padrões) e entrega (painel web, relatórios, simulador).

O resultado não é "IA generativa respondendo perguntas". É um sistema de apoio à decisão construído sobre dados reais — seus dados, seus produtos, seus clientes.

5 usos práticos na precificação industrial

1. Catálogo de preços com inteligência histórica

Você tem dezenas de códigos de produto. Para cada um, dezenas de cotações em anos diferentes, para clientes diferentes, em quantidades diferentes. Qual o preço "certo"?

Com IA e método: o sistema calcula, para cada código de produto: preço mínimo, mediana (mais representativa que a média porque ignora outliers) e preço máximo. O vendedor consulta o catálogo antes de cotar e sabe se está dentro da faixa histórica ou fora dela.

2. Detectar dispersão de preço: o mesmo produto, o mesmo cliente, preços diferentes

Uma das descobertas mais valiosas — e desconfortáveis — de analisar dados históricos é encontrar o mesmo código de produto vendido para o mesmo cliente com variação de preço que não se explica por quantidade ou prazo.

Com IA e método: o sistema cruza código, cliente e preço unitário e sinaliza combinações onde a dispersão é alta. O gestor comercial investiga: foi desconto pontual? Erro de cotação? Cliente antigo com condição especial que não está documentada?

Essa análise não é um "relatório de erros" — é uma ferramenta de governança comercial. Depois da primeira rodada, os vendedores passam a consultar o histórico antes de cotar, e a dispersão tende a cair naturalmente.

3. Simulador de custo e preço no momento da cotação

O vendedor recebe uma solicitação de cotação: "cilindro EH27MS2, curso 450 mm, 3 unidades". Ele precisa responder rápido, com preço competitivo e margem saudável. Hoje, ele consulta uma planilha de custos, faz conta de cabeça, aplica um fator "de experiência" e torce.

Com IA e método: o simulador decompõe o custo do produto nos componentes (matéria-prima, usinagem, vedações, pintura, embalagem), aplica a configuração correta (diâmetro, haste, curso), considera a quantidade (unitário, 2–5 peças ou 6+) e sugere o preço de venda com margem. O vendedor ajusta o que precisar e envia a cotação em minutos.

O simulador não substitui o julgamento comercial. Mas elimina o "feeling" da conta e garante que todo vendedor parte da mesma base de custo.

4. Funil comercial: da cotação ao pedido

Quantos orçamentos sua empresa emite por mês? Quantos viram pedido? Quanto tempo leva entre a solicitação do cliente e a resposta do vendedor? E entre a resposta e o pedido?

Com IA e método: o sistema calcula, para cada ano, mês e vendedor: volume de cotações, taxa de aprovação, ticket médio, tempo de resposta e lead time até o pedido. O CEO olha para o painel e vê, por exemplo, que um vendedor responde em 2 dias e converte 8%; outro responde em 6 dias e converte 3%. Isso é uma conversa de gestão, não um palpite.

5. Relatórios executivos automáticos

Preparar a apresentação mensal de resultados comerciais consome horas de um analista: puxar dados de várias planilhas, consolidar, formatar gráficos, revisar. É um trabalho que se repete religiosamente — e que agrega pouco valor porque o analista poderia estar analisando, não formatando.

Com IA e método: os indicadores já estão no painel. O relatório executivo — com KPIs, evolução mensal, top clientes, mix de produtos, funil de status e performance por vendedor — é gerado em PDF com um clique. O analista revisa, comenta e envia. O tempo gasto cai de horas para minutos.

O pipeline: extração, normalização, análise, entrega

Todas as análises acima saem do mesmo ciclo. Não é necessário migrar para um ERP novo, contratar uma consultoria de dados ou montar uma equipe de BI:

• Extração: leitura direta dos arquivos Excel (XLSX), sem dependências externas — o formato é ZIP + XML, e o parse é feito em código.
• Normalização: grafias inconsistentes ("HIDRÁULICA" vs "HIDRµULICA"), datas em formato serial do Excel, erros de vírgula (R$ 736.469,79 quando o valor real é R$ 736,47), status fora do vocabulário.
• Análise: indicadores respondem perguntas de negócio — não é "big data", é "small data bem organizado".
• Entrega: painel web com papéis (vendedor vê calculadora + catálogo, CEO vê KPIs + funil, admin gerencia usuários) + relatórios em PDF + exportação CSV.

O que a IA generativa acrescenta — e o que não

A IA generativa (ChatGPT, Claude) não substitui o pipeline de dados. Mas ela acelera duas etapas: a interpretação dos relatórios (o CEO pergunta "qual produto teve a maior queda de margem este trimestre?" e recebe um resumo) e a criação de prompts para os vendedores (templates de resposta para follow-up de orçamentos parados, por exemplo).

O núcleo, porém, é o pipeline determinístico: extrair, normalizar, calcular e entregar. É isso que transforma "achismo" em "referência".

Como continuar

Você pode começar com uma planilha de orçamentos e o prompt da seção 1 para gerar um catálogo de preços simples. Se tiver 2 ou mais anos de dados e quiser uma demonstração com sua base real, a conversa inicial gratuita serve para entender o contexto e verificar aderência.