LeasePlan: Projeção de rentabilidade, unindo planejamento e ciência de dados

Entender o passado para lidar com o futuro

O trabalho iniciou-se com o fornecimento de todas as informações dos contratos antigos. Só assim seria possível começar a entender como essas variáveis se comportaram no passado e começar a traçar algumas hipóteses de como elas se comportarão no futuro.

Algoritmos para prever as variáveis mais impactantes: manutenção, custo de pneus e valor de venda ao final do contrato

Para que a LeasePlan pudesse entender corretamente o impacto dessas variáveis em seus contratos, desenvolvemos um algoritmo que não apenas lidava com os dados históricos que foram inseridos no sistema, como também realizava previsões mais assertivas, baseadas nas novas informações que passaram a ser inseridas também (por exemplo, variações da tabela FIPE).

Machine learning para atualizações constantes

Como o sistema é alimentado mensalmente com novas informações a respeito do veículo, ele recalcula e atualiza suas previsões constantemente, permitindo que a empresa possa a todo momento fazer revisões em seus modelos de rentabilidade para novos contratos.

Desafio:

Conforme a operação aumenta, a complexidade aumenta. Cada veículo, de cada contrato, tem uma especificidade e diversos componentes de custo influenciam a sua rentabilidade para a LeasePlan.

O impacto de manutenção em cada automóvel varia de acordo com a região em que ele é utilizado e a maneira como ele é conduzido. A marca do carro também tem influência sobre seus custos de manutenção. Como sabemos, à medida que o tempo passa, um veículo perde valor de venda. Todos esses fatores têm impacto direto na rentabilidade da empresa ao final do contrato. Por conta dessas muitas variáveis, o principal desafio da empresa era conseguir estabelecer uma precificação adequada a seu modelo de negócios.

Basicamente, a empresa tinha dificuldade em responder a uma pergunta simples: qual é a lucratividade final de um contrato hoje?

A solução:

Ciência de dados aplicada a planejamento financeiro?

A CTI se colocou à disposição da LeasePlan para ajudá-la a começar a responder essa pergunta que, apesar de simples, é de difícil resposta. A solução desse problema passava por desenvolver os modelos financeiros para projetar DREs de cada um dos 2.000 veículos da carteira, considerando as diversas variáveis que afetam os seus custos. Além de projetar custos gerenciáveis, era preciso aprender com os contratos antigos e fazer simulações estatísticas para tentar prever as variáveis não controláveis.

Foi por esse motivo que a CTI lançou mão do IBM Planning Analytics para as modelagens financeiras, e também do SPSS para as modelagens estatísticas, ciência de dados e machine learning.

A holandesa LeasePlan é uma das maiores empresas de leasing do mundo, administrando uma frota de aproximadamente 1,8 milhão de veículos em mais de 32 países. Aqui no Brasil, são mais de 2 mil veículos sob administração da empresa. O negócio consiste em adquirir os carros e fazer toda a administração e manutenção de cada um, de acordo com o contrato com seus clientes – o modelo de negócios pode ser chamado de car as a service.

Atributos da ferramenta

Uma solução que combina finanças e ciência de dados

Como todo projeto, desenvolvemos a solução em total parceria com o cliente, entendendo o que precisava ser resolvido e entregando uma ferramenta sob medida e com diferentes atributos:

Transferência de conhecimento para total autonomia do cliente na evolução dos modelos financeiros e estatísticos
Utilização de ferramentas tecnológicas conhecidas [e reconhecidas] da IBM
A operação do Brasil se tornou benchmarking de inovação para outros países

A CTI sempre desenvolve soluções seguras e robustas, aptas a lidar com muitas informações e variáveis. E com a LeasePlan não foi diferente; o cliente agora tem em mãos uma ferramenta poderosa, capaz de aprender a todo momento, melhorando suas análises e previsões. E quanto mais informações, melhores serão os relatórios e análises geradas.

As ferramentas adotadas serão capazes de lidar com a massa de dados que a telemetria pode vir a fornecer à LeasePlan. Quando isso for uma realidade, o volume de informações aumentará de forma exponencial, facilitando ainda mais para a LeasePlan a projetar a rentabilidade de cada um de seus contratos.