Precificação Dinâmica # Até onde o preço pode ir sem perder o cliente? Precificação dinâmica com capacidade de pagamento territorial: renda mediana do entorno como sinal de reajuste. A resposta muda radicalmente dependendo do perfil socioeconômico de quem está comprando. Renda estimada do entorno, z-score e custo de vida territorial como features de capacidade de pagamento no modelo de pricing. Sem CPF, via API. 81% cancelam assinaturas após aumento de preço ¹ 56% cancelam por custo elevado ² +8,9% receita com pricing dinâmico vs. estático ³ O problema ## Seu modelo de pricing trata a base como se todos tivessem o mesmo bolso A maioria dos reajustes é linear: +15% para toda a base, com a mesma data e o mesmo valor. O modelo não distingue um cliente no Leblon de outro na periferia de Manaus — ambos recebem o mesmo aumento, mas a capacidade de absorção é radicalmente diferente. O resultado é previsível: churn concentrado nos segmentos mais sensíveis e receita deixada na mesa nos segmentos com maior disposição a pagar. 0 variáveis de capacidade de pagamento territorial nos modelos de pricing típicos Reajuste linear ignora que R$ 22,90 pesa 0,2% no Itaim e 1,3% em Ananindeua 81% dos brasileiros já cancelaram assinatura por aumento de preço Fonte: Pesquisa de Assinaturas 2024 — Opinion Box / Vindi ¹ –15% redução de churn possível com notificação proativa e oferta de downgrade antes do reajuste Fonte: McKinsey — Economia de Assinaturas 2024–2025 ² O cenário ## Mesmo reajuste. Mesmo plano. Elasticidade-preço oposta. Uma assinatura de R$ 19,90 sobe para R$ 22,90 (+15%). Sem segmentação territorial, a empresa trata esse reajuste como homogêneo. Com dados da PrismaData, é possível antecipar quem absorve e quem cancela. Assinante A ### Vila Olímpia — São Paulo/SP **Plano atual:** R$ 19,90 → R$ 22,90 (+15%) **Renda mediana da região:** R$ 11.240 **Peso do reajuste:** 0,03% da renda (irrelevante) **Z-score:** +1.38 (região de alta renda) **Impacto incremental:** R$ 3,00/mês → Reajuste absorvido sem atrito. Cliente poderia suportar até +30% sem risco significativo. Assinante B ### Periferia — Marituba/PA **Plano atual:** R$ 19,90 → R$ 22,90 (+15%) **Renda mediana da região:** R$ 1.180 **Peso do reajuste:** 1,94% da renda (sensível) ⚠ **Z-score:** -1.02 (região de baixa renda) **Impacto incremental:** R$ 3,00/mês → Mesmo R$ 3,00 a mais. Mas o peso relativo é 65× maior. Candidato a cancelamento imediato. Sem a PrismaData, ambos recebem o mesmo reajuste na mesma data. Com ela, o Assinante B é sinalizado antes do reajuste — e pode receber uma estratégia de retenção preventiva ou um plano alternativo. Caso real ## Precificação por carga em ingressos esportivos — o dado que envelhece Clubes de futebol já usam cientistas de dados para precificar ingressos dinamicamente — considerando adversário, dia/horário, setor do estádio e até renda do setor censitário dos torcedores cadastrados. O problema: o Censo 2022 é estático, autodeclarado e envelhece a cada dia. É uma fundação frágil para um modelo de pricing que precisa ser preciso. Com Censo 2022 • Renda autodeclarada — viés de sub-reportagem • Dados de 2022, sem atualização • Faixas de renda genéricas (sem distribuição) • Não captura dinâmica econômica recente • Cobertura limitada a quem respondeu → Fotografia estática. Boa para baseline, frágil para decisão de pricing em tempo real. Com PrismaData • Renda estimada por modelo ML — múltiplas fontes • Recalibração mensal (PNAD Contínua + BACEN) • Z-score, CDF, renda domiciliar vs. per capita • Captura inflação, migração, variação econômica • Cobertura nacional — basta coordenada ou CEP → Estimativa contínua e atualizada. Fundação robusta para pricing dinâmico. A solução ## Capacidade de pagamento do entorno. Uma coordenada. Sem CPF. Envie latitude e longitude do endereço do cliente. Receba renda estimada da região, z-score comparativo e faixas de probabilidade. Cada variável é uma feature pronta para o modelo de pricing — antes do reajuste, como simulação de impacto; depois, como monitoramento de churn segmentado. GET /v1/location/personal_income_pdf GET /v1/location/slum Simulação de reajuste — dois segmentos | R$ 19,90 → R$ 22,90 { // — Segmento A: Vila Olímpia, São Paulo/SP — "renda_media_regiao": 12480.30, "renda_mediana_regiao": 11240.00, "renda_comparada_z_score": 1.38, "renda_comparada_cdf": 0.9162, "qtde_pessoas": 289, // — Feature derivada (calculada pelo cliente) — "peso_reajuste_sobre_mediana": 0.0003, // → 0,03% — impacto irrelevante no orçamento // — Segmento B: Marituba/PA — "renda_media_regiao": 1340.15, "renda_mediana_regiao": 1180.00, "renda_comparada_z_score": -1.02, "renda_comparada_cdf": 0.1539, "qtde_pessoas": 612, // — Feature derivada (calculada pelo cliente) — "peso_reajuste_sobre_mediana": 0.0194, // → 1,94% — reajuste de R$ 3 pesa 65× mais // — Contexto territorial (slum) — "favela_distancia_m": 280.4, "favela_dompp_total": 1847 } Capacidade renda mediana + CDF O entorno do cliente comporta o novo preço? Em que percentil de renda ele está? Sensibilidade peso do reajuste Quanto do orçamento local o reajuste consome. Proxy de elasticidade-preço. Contexto z-score + comunidade Quão atípica é a região? Há vulnerabilidade territorial que amplifica a sensibilidade? Como funciona ## Onde o dado entra na cadeia de precificação A integração não substitui seu modelo de pricing — adiciona a variável de capacidade de pagamento territorial que ele não tem hoje. Dois momentos de uso: 1 #### Antes do reajuste — simulação de impacto Enriqueça a base de clientes com renda do entorno. Derive `peso_reajuste = delta_preco / renda_mediana`. Segmente por faixas de sensibilidade. Simule cenários: quantos clientes têm peso > 1%? > 5%? Qual o impacto projetado no MRR? 2 #### Depois do reajuste — monitoramento segmentado Monitore churn e conversão por faixa de renda territorial. Compare taxas de cancelamento entre segmentos de alta e baixa capacidade. Calibre as próximas rodadas de pricing com dados reais segmentados. Feature derivada — Peso do reajuste **peso_reajuste** = (preco_novo - preco_atual) / renda_mediana_regiao Ex: (R$ 22,90 - R$ 19,90) / R$ 11.240 = **0,0003** (0,03% — sem risco) Ex: (R$ 22,90 - R$ 19,90) / R$ 1.180 = **0,0254** (2,5% — risco alto) Integração ## Plug and play. Batch ou real-time. Integração via API REST. Envie coordenada ou CEP — em batch para simular impacto na base antes do reajuste, ou em real-time durante o onboarding para já capturar o perfil de sensibilidade. Base de clientes Endereço, CEP ou coordenada API PrismaData /v1/location/income lat + lng Resposta enriquecida Renda, z-score, CDF, contexto Modelo de pricing Capacidade de pagamento como feature no modelo REST API padrão < 200ms Latência típica 1.024 Pontos/chamada batch SDK Python disponível OpenAPI Spec + Sandbox AI-ready Claude Code, Copilot, Cursor Aplicações ## Quem precifica sem saber a capacidade de pagamento do cliente? Todo negócio com modelo recorrente, precificação dinâmica ou reajustes periódicos que captura endereço do cliente. #### Assinaturas digitais e SaaS Reajuste de R$ 19,90 → R$ 22,90 é irrelevante para quem mora no Itaim e pode ser o gatilho de cancelamento na periferia de Belém. Simule antes, segmente o reajuste. #### Entretenimento e ingressos Clubes de futebol, festivais, shows. Pricing por carga com renda atualizada do público cadastrado — não com fotografia estática do Censo 2022. #### Telecom e internet Plano de R$ 119 → R$ 139. Numa região com renda mediana de R$ 1.400, o aumento consome 1,4% adicional do orçamento. A portabilidade fica mais atraente. #### Seguros e planos de saúde Reajuste anual de prêmio. Saber que o novo valor representa 28% da renda local permite antecipar inadimplência e oferecer alternativas antes do cancelamento automático. #### Educação Escolas, cursinhos, universidades privadas. Reajuste de mensalidade com simulação de impacto por bairro — identificando famílias que precisarão de bolsa ou desconto escalonado. #### Mercado imobiliário Precificação de aluguel e reajustes. Renda do setor censitário como proxy de willingness to pay — diferente do preço/m² que reflete oferta, não capacidade. Features para o modelo ## O que entra no modelo. O que sai da API. A PrismaData retorna dados brutos da região. Você deriva as features de pricing. Exemplos prontos para injeção: peso_reajuste `delta_preco / renda_mediana` — Quanto do orçamento típico do entorno o reajuste consome. Contínuo. Ideal para threshold de risco de cancelamento. peso_plano_total `preco_novo / renda_mediana` — Comprometimento total pós-reajuste. Cliente com peso > 10% é candidato a downgrade. Com peso < 2%, suporta upsell. z_score_renda_regiao Retornado diretamente pela API. Z-score negativo = região mais pobre que a média municipal. Segmentos com z-score < -1 têm elasticidade-preço naturalmente maior. renda_cdf Percentil acumulado da renda da região. CDF 0.15 = bottom 15% do município. Permite segmentar reajustes por quintil de capacidade econômica. elasticidade_proxy `1 / renda_mediana` — Proxy simplificado de sensibilidade ao preço. Quanto menor a renda, maior a elasticidade. Use como weight no modelo. segmento_pricing Feature categórica derivada: `premium` (CDF > 0.8), `standard` (0.4–0.8), `sensivel` (< 0.4). Útil para segmentar estratégias de reajuste diferenciado. Diferencial ## Renda atualizada mensalmente. Não é fotografia do Censo 2022. Os modelos de renda da PrismaData são recalibrados mensalmente com microdados da PNAD Contínua, indicadores do BACEN e outras fontes oficiais. A inferência é feita por algoritmos de ML — o que significa que os dados de capacidade de pagamento acompanham a dinâmica real da economia. Mensal Recalibração dos modelos de renda com PNAD Contínua, BACEN e fontes complementares Contínuo Renda em reais, z-score, CDF. Sem faixa genérica. Ideal para gradient boosting e segmentação fina. Sem cadastro Não depende de renda declarada. Basta coordenada ou CEP. Democratiza pricing inteligente. Dados de referência: PNAD Contínua (IBGE), Censo Demográfico 2022, indicadores do Banco Central e fontes públicas oficiais. Modelos proprietários com inferência via ML, recalibrados mensalmente. Governança ## Dados territoriais, não pessoais. LGPD-compliant. Auditável. #### Sem dado pessoal A chave de consulta é a coordenada geográfica — não CPF, nome ou qualquer identificador pessoal. Os dados retornados descrevem uma **região** , não um indivíduo. #### Não é profiling individual A renda retornada é a mediana da região, não do cliente. O modelo de pricing usa contexto territorial como proxy de capacidade de pagamento, não como dado pessoal. Simplifica compliance. #### Auditável e explicável Cada variável é rastreável — renda vem de modelo com base em PNAD Contínua e BACEN, comunidade de dados cartográficos do IBGE. Se o regulador perguntar, você tem a resposta. Resultado ## Reajuste inteligente. Menos cancelamentos. Mais receita retida. Antes Simule impacto do reajuste por segmento territorial antes de executar Depois Monitore churn e conversão segmentados por capacidade de pagamento 0 CPFs necessários — enriquecimento 100% por coordenada, sem dado pessoal **Referências:** ¹ Opinion Box / Vindi, _Pesquisa de Assinaturas 2024_. 81% dos brasileiros já cancelaram assinaturas após aumento de preço. ² McKinsey / Club Martech, _Economia de Assinaturas 2024–2025_. 56% cancelam por custos elevados. Notificações proativas com 30 dias de antecedência reduzem churn em até 15%. ³ Yılmaz & Yakıcı, _A Dynamic Ticket Pricing Approach for Soccer Games_ , Axioms, 2017. Modelo de pricing dinâmico gera até +8,95% de receita vs. estratégia estática. ⁴ Shapiro & Drayer, _Dynamic Ticket Pricing in Sport_ , Sport Marketing Quarterly, 2012. Dynamic pricing em esportes aumenta receita em até 24% no mercado secundário. ⁵ Recurly Research, _Churn Rate Benchmarks_. Taxa de churn mensal de 5% considerada média em negócios de assinatura. ## Pronto para precificar com contexto territorial? Converse com a PrismaData. Podemos simular o impacto de um reajuste na sua base em minutos — com dados reais de capacidade de pagamento. [Fale com a PrismaData]() [ Testar renda no Playground ]() [Explorar a API →]()