Empresa testa tecnologia de IA que otimiza preços do transporte rodoviário

RESUMO ＋

O Grupo Guanabara, de transporte rodoviário, adotou uma plataforma proprietária de precificação dinâmica desenvolvida pela Arara Tech, unidade de tecnologia do grupo, em parceria com a consultoria global Thoughtworks. O sistema usa machine learning para prever ocupação, analisar demanda e otimizar tarifas de uma operação com mais de 850 ônibus, respeitando os limites regulatórios.

A proposta do Grupo Guanabara, de transporte rodoviário, é otimizar a precificação de passagens a partir de um algoritmo preditivo. Como solução digital para o mercado de mobilidade, a aposta pode avançar a posição da empresa neste meio.

Para implementar a ideia, o Guanabara reformulou sua infraestrutura analítica adicionando uma plataforma proprietária de precificação dinâmica.

Esta, é alimentada por machine learning e foi desenvolvida pela Arara Tech Arara Tech, unidade de tecnologia do grupo, em parceria com a consultoria global Thoughtworks.

"Historicamente, o transporte rodoviário tomou decisões operacionais pautadas em percepções isoladas na ponta. A nova precificação estabeleceu a base de engenharia de dados necessária para apoiar o negócio com precisão científica", aponta Rafael Morelo, Head de Dados da Arara Tech.

O que o projeto soluciona?

O projeto endereça a complexidade matemática da malha interestadual de transporte de passageiros. Ao contrário da aviação comercial, que opera rotas ponto a ponto, uma única viagem rodoviária pode conter dezenas de paradas intermediárias que competem diretamente pelo mesmo assento ao longo do trajeto.

Para administrar milhões de SKUs (combinações de origem, destino, classe de serviço, horário e antecedência de até 180 dias da viagem), a companhia substituiu rotinas manuais divididas em três sistemas distintos e planilhas por um motor analítico automatizado.

Como funciona?

A operação do motor de inteligência atende uma rede com mais de 850 ônibus, presente em 21 estados e no Distrito Federal, que transporta 27 mil passageiros diariamente em 440 mil quilômetros rodados.

O sistema opera em quatro camadas analíticas integradas:

• Segmentação comportamental da malha (permitindo precificar linhas sem histórico consolidado),
• Rrevisão contínua de ocupação por antecedência de compra,
• Cálculo de elasticidade-preço sob variações de mercado,
• Um otimizador de receita que atua dentro dos limites tarifários fixados pela regulação.

A venda segue a lógica de degraus de preços dentro de baldes de tarifas, garantindo equilíbrio entre receita por quilômetro e preenchimento dos veículos.

Mas o preço dinâmico não é uma aposta arriscada?

Para validar os resultados frente às exigências da Agência Nacional de Transportes Terrestres (ANTT), que proíbe discrepâncias de preços individuais para o mesmo serviço, a equipe de engenharia contornou os limites do teste A/B clássico adotando a alternância temporal por eixo.

A metodologia intercalou ciclos de partidas em intervalos de cinco dias entre o modelo analítico e as tabelas convencionais, evitando a migração artificial de passageiros entre horários e assegurando rigor estatístico na medição do retorno comercial.

A sustentação tecnológica da plataforma foi estruturada em uma arquitetura moderna de Lakehouse, com uma esteira de MLOps (operações de machine learning).

A ingestão e a modelagem de dados utilizam formatos abertos e ferramentas de orquestração em lote e streaming, com políticas centralizadas de governança e mascaramento de dados sensíveis.

A paridade entre os ambientes de experimentação e produção é garantida por computação distribuída e registro versionado de modelos, viabilizando um histórico de auditoria completo para cada novo algoritmo testado.

"Criamos um modelo com intervenção humana centralizada (human-in-the-loop): o motor roda automaticamente na maior parte do tempo, enquanto nossos analistas intervêm apenas nas exceções sinalizadas pelo sistema", conclui Rafael Morelo.

'Perguntas frequentes'

Como funciona a precificação dinâmica de passagens do Grupo Guanabara? ＋

O Grupo Guanabara utiliza um algoritmo preditivo alimentado por machine learning para definir preços de passagens conforme a previsão de ocupação, a antecedência de compra e as variações de mercado. Desenvolvido pela Arara Tech em parceria com a Thoughtworks, o sistema busca equilibrar a receita por quilômetro e o preenchimento dos ônibus, respeitando os limites tarifários regulatórios.

Quais problemas a nova plataforma de precificação do Guanabara resolve? ＋

A plataforma automatiza decisões que antes dependiam de três sistemas distintos e planilhas, além de administrar milhões de combinações de origem, destino, classe de serviço, horário e antecedência de viagem. O sistema também considera a complexidade das paradas intermediárias, que competem pela disponibilidade de um mesmo assento ao longo de diferentes trechos.

Quantos ônibus e passageiros são atendidos pelo sistema do Grupo Guanabara? ＋

O motor de inteligência atende uma rede com mais de 850 ônibus, presente em 21 estados e no Distrito Federal. Segundo o texto, a operação transporta aproximadamente 27 mil passageiros por dia e percorre 440 mil quilômetros diariamente.

Quais são as quatro camadas analíticas utilizadas na precificação dinâmica? ＋

O sistema combina segmentação comportamental da malha, previsão contínua de ocupação, cálculo de elasticidade-preço e otimização de receita. Essas camadas permitem estimar a demanda, analisar a reação dos passageiros às variações de preço e definir tarifas dentro dos limites regulatórios.

Como o Grupo Guanabara testou os preços dinâmicos respeitando as regras da ANTT? ＋

A companhia adotou a alternância temporal por eixo, intercalando ciclos de partidas em intervalos de cinco dias entre o modelo analítico e as tabelas convencionais. A metodologia foi escolhida para atender às exigências da Agência Nacional de Transportes Terrestres (ANTT) e evitar a migração artificial de passageiros entre horários durante a avaliação comercial.

A inteligência artificial define os preços das passagens sem intervenção humana? ＋

O sistema opera automaticamente na maior parte do tempo, mas mantém supervisão humana para situações excepcionais. Segundo Rafael Morelo, Head de Dados da Arara Tech, os analistas intervêm apenas nos casos sinalizados pelo próprio motor de inteligência, em um modelo conhecido como human-in-the-loop.