O desafio
A operação de compras da empresa estava presa a um modelo que funcionava com esforço excessivo e pouca elasticidade para responder à volatilidade. O processo de reajuste de preços de fornecedores dependia de planilhas, trocas de e-mail e etapas manuais distribuídas entre diferentes áreas. Em economias mais instáveis, como a Argentina, esse desenho criou um desalinhamento crítico entre a velocidade da variação econômica e a velocidade da negociação contratual.
O primeiro impacto aparecia na margem. Índices como IPCA, INPC e dissídios precisavam ser atualizados manualmente, o que criava um intervalo entre o momento em que o custo mudava e o momento em que o reajuste era processado. Quando uma negociação levava até 30 dias para ser concluída, a operação corria o risco de trabalhar com preços defasados ou absorver pagamentos indevidos.
O segundo impacto era operacional. O fluxo fragmentado exigia múltiplas revisões, novas versões de arquivos e acompanhamento pouco transparente do status de aprovação. Compras e Finanças precisavam lidar com retrabalho recorrente, baixa rastreabilidade e pouca visibilidade sobre onde cada negociação estava travada.
O terceiro impacto era estrutural. Mesmo quando a decisão já havia sido tomada, a etapa final ainda dependia de input manual em sistemas legados globais. Isso bloqueava escala. O tempo das equipes era consumido por data entry e controle operacional, quando deveria estar concentrado em análise, negociação e gestão de risco.
A solução
A resposta não foi apenas digitalizar um processo manual. Foi reorganizar a lógica inteira entre dado econômico, negociação e execução sistêmica.
A MATH desenvolveu o Pricer como uma plataforma de arquitetura otimizada para a operação de compras da indústria. O objetivo era reduzir o atrito entre a variação econômica real e a formalização do reajuste, criando um fluxo mais rápido, rastreável e menos dependente de intervenção manual.
A solução começou pela automação da ingestão de índices econômicos. Em vez de depender de atualizações manuais em planilhas, o sistema passou a integrar automaticamente as referências necessárias para o cálculo dos reajustes. Isso diminuiu o risco de erro, reduziu o esforço de consolidação e aumentou a confiança sobre os dados usados na negociação.
A segunda camada foi a integração com o ecossistema da operação. O Pricer não foi desenhado como ferramenta isolada. Ele foi conectado aos sistemas legados globais da empresa, incluindo CEPS e WIPS, criando uma ponte entre o que era decidido na negociação e o que precisava ser executado nos sistemas corporativos. Esse ponto era central: remover o intervalo manual entre decisão e registro operacional.
A terceira camada foi o desenho técnico da aplicação. A plataforma foi construída com backend em Java Spring Boot, frontend em Angular e infraestrutura em Google Cloud Platform. Essa combinação permitiu robustez transacional, interfaces mais responsivas e escalabilidade sem dependência de expansão física de hardware.
A quarta camada foi a simplificação do fluxo de uso. O sistema passou a se retroalimentar com preços atualizados e a gerar automaticamente novos itens com base em itens recém-finalizados, descartando a necessidade de criação manual em etapas recorrentes. Isso encurtou o tempo entre ciclos, aumentou a consistência dos dados e reduziu dependência de ações repetitivas do usuário.
Por fim, a inteligência artificial foi usada com um papel claro e funcional, sem excesso narrativo. Ela apoiou governança e qualidade de código em testes automatizados, documentação técnica e análise preditiva de logs. Em vez de ser apresentada como promessa ampla, a IA atuou como instrumento para estabilidade, qualidade e menor custo de manutenção.
O ganho central do Pricer não veio de uma camada cosmética de automação. Veio da eliminação do atrito entre o sinal econômico, a decisão de compras e a execução nos sistemas da operação.
Os resultados
Os resultados apareceram com clareza em velocidade, produtividade e governança.
Na velocidade de execução, o ciclo de negociações complexas caiu de 30 para 15 dias, uma redução de 50%. Já o ciclo de negociações simples foi reduzido de 14 para 8 dias, o equivalente a 43%. Em um ambiente de alta volatilidade, esse ganho altera a capacidade de resposta da área de compras. A operação passa a reagir ao mercado com menos atraso e menor exposição a defasagens de preço.
Na produtividade, o ganho mensurado da equipe ficou entre 50% e 57%. Isso significa que parte relevante do tempo antes consumido por revisões, consolidação manual e input operacional foi devolvida para atividades de maior valor, como análise de negociação, priorização e acompanhamento estratégico.
Na eficiência financeira, a estimativa foi de R$ 500 mil por ano em economia operacional. Esse número não representa apenas redução de custo direto. Ele expressa uma operação mais enxuta, com menos desperdício de horas, menos fricção entre áreas e menor dependência de controles paralelos.
Na governança e qualidade, o sistema eliminou passivos ocultos gerados por erros de fórmula em Excel e aumentou a confiança no processo como um todo. O NPS 9 junto aos stakeholders mostra que a solução não entregou apenas desempenho técnico. Ela foi percebida como útil, clara e aplicável no cotidiano da operação.
Mais do que automatizar reajustes, o Pricer criou uma base mais consistente para decisões econômicas em compras. Em vez de reagir com atraso a um contexto volátil, a indústria automotiva passou a operar com mais controle sobre tempo, fluxo e execução.
Quando a arquitetura certa conecta dado, regra de negócio e sistema, eficiência deixa de ser discurso. Ela passa a aparecer no ciclo, no custo e na qualidade da decisão.
