Como o Windsketch criou um modelo de preços agnóstico para um mercado fragmentado

No Windsketch, nossa equipe de desenvolvimento enfrentou um dos maiores desafios técnicos: criar um modelo agnóstico de cálculo de preços capaz de se adaptar a um mercado no qual cada fabricante segue sua própria lógica — muitas vezes imprevisível e até contraditória.

O problema: um quebra-cabeça sem padrão

O cálculo de preços neste setor está longe de ser uniforme:

• Alguns fabricantes dão mais peso a um único eixo (altura ou largura) do que à área total.
• Outros aplicam aumentos percentuais sobre uma medida base e depois ajustam por características adicionais.
• Em alguns casos, o preço é baseado em polegadas quadradas; em outros, em pés quadrados.
• E o aspecto mais desafiador: os preços nem sempre são lineares. Às vezes, unidades maiores acabavam sendo mais baratas do que as menores, seguindo curvas de preços irregulares e difíceis de prever.

Era um ambiente sem uma regra comum, no qual os métodos tradicionais não conseguiam generalizar com eficiência.

As primeiras tentativas: modelos padrão

Para enfrentar o problema, a equipe começou projetando vários modelos estáticos de cálculo, que permitiram atender a grande parte dos fabricantes com padrões de preços mais regulares:

• Fórmulas baseadas na área total.
• Modelos que usam polegadas quadradas ou pés quadrados.
• Esquemas por “faixas”, com intervalos de preços predefinidos conforme as medidas.
• Variações híbridas que combinam percentuais e dimensões.

Essas abordagens resolveram muitos casos. Porém, ainda havia fabricantes com curvas de preços altamente irregulares e não lineares que não se encaixavam em nenhuma regra padrão.

Explorando a IA: o que funcionou e o que não funcionou

Nossa equipe também experimentou várias abordagens de inteligência artificial e modelos matemáticos:

• Redes neurais profundas, que tendiam a sobreajustar os dados e eram caras de manter.
• Regressões lineares e polinomiais simples, que não conseguiam capturar a complexidade das curvas.
• Interpolações por splines, que introduziam oscilações indesejadas.
• Segmentação por “cotovelo” no conjunto de dados, em que tentamos dividir os dados em pequenos grupos de alta variância para treinar regressões locais. A ideia tinha potencial, mas era complexa demais para manter em produção.

Cada tentativa trouxe aprendizados valiosos, mas nenhuma alcançou o equilíbrio entre precisão, simplicidade e desempenho de que precisávamos.

A solução final: um modelo híbrido, adaptativo e preciso por segmentos

A virada veio quando aceitamos uma verdade incômoda: não existe uma única função capaz de representar o comportamento de todo o mercado. A diversidade de fabricantes, materiais e regras internas de preços tornava inviável uma abordagem puramente global.

Isso nos levou à solução definitiva: um modelo híbrido, baseado em segmentação adaptativa (por partes), combinada com regressões polinomiais locais e mecanismos de controle de erro.

Segmentação do comportamento e controle de erro

Em vez de buscar uma única curva para generalizar todos os comportamentos, o sistema começou a analisar as variações de preços dentro de conjuntos de medidas, identificando mudanças bruscas ou inconsistências. Esses pontos de inflexão atuavam como limites naturais dos intervalos, dentro dos quais era possível ajustar uma função polinomial com maior precisão.

Cada segmento ou intervalo é avaliado com:

• Uma regressão polinomial de ordem flexível (normalmente de segunda ordem).
• Um limite de erro aceitável (erro quadrático médio).

Se o erro exceder o limite definido, o sistema:

• Subdivide automaticamente o conjunto de medidas em intervalos menores.
• Ajusta uma nova função específica para esse subgrupo.
• Associa esse modelo à faixa correspondente.

Isso permite ao mecanismo de preços detectar e isolar com precisão as áreas em que as regras do fabricante mudam ou se comportam de forma não linear, sem contaminar os intervalos adjacentes. Assim, o sistema permanece preciso e estável, mesmo diante de catálogos com curvas de preços abruptas, em degraus ou invertidas.

Um modelo que se adapta a qualquer dimensão de preços

O núcleo do nosso mecanismo não se limita a trabalhar com áreas ou dimensões planas. No Windsketch, combinamos várias abordagens de cálculo, que coexistem de forma modular e transparente:

• Preços baseados na área.
• Preços por faixas com intervalos de medidas predefinidos.
• Preços por elemento (por exemplo, tipo de vidro, marcos, cores, tingimento, têmpera, grades etc.).
• Preços fixos e fórmulas percentuais quando aplicável.
• Funções por partes com regressões polinomiais por segmento, para fabricantes com lógicas não lineares ou irregulares.

Essa combinação de regras, apoiada por um modelo matemático que evolui e se corrige durante a execução, permite ao Windsketch operar um mecanismo de preços capaz de se adaptar a:

• Qualquer fabricante, por mais peculiar que seja sua estrutura.
• Qualquer produto do ecossistema de janelas e portas.
• Qualquer material ou componente que afete a lógica de preços (vidro, alumínio, acessórios, tratamentos especiais etc.).

Um sistema vivo, interpretável e expansível

Além de preciso, o modelo foi projetado para ser:

• Interpretável: Cada faixa tem sua própria função e pode ser auditada com facilidade.
• Autoajustável: Se novos dados quebrarem o padrão, uma nova função é calculada sem intervenção humana.
• Escalável: A arquitetura permite armazenar cada conjunto de coeficientes, associá-los a fabricantes, materiais ou produtos e realizar cálculos em tempo real sem prejudicar o desempenho.

O desafio da integração com Django

Resolver o aspecto matemático era apenas metade do desafio. A equipe também precisou integrar essa lógica a um sistema de produção, enfrentando desafios como:

• Serializar e armazenar os coeficientes matemáticos com segurança.
• Executar cálculos em tempo real sem sacrificar o desempenho.
• Projetar um modelo de dados flexível e extensível para atender à lógica de preços de qualquer fabricante.

Foi um desafio que envolveu tanto ciência de dados quanto engenharia de software.

O que aprendemos

O resultado foi um mecanismo de preços robusto que combina modelos padrão para fabricantes com regras tradicionais e um modelo matemático avançado para aqueles com padrões irregulares. Essa solução permitiu ao Windsketch criar um sistema verdadeiramente agnóstico, capaz de se adaptar a um mercado fragmentado e complexo.

A lição mais valiosa para nossa equipe: nem sempre é preciso escolher entre inteligência artificial e matemática clássica. Às vezes, a melhor solução vem de combinar abordagens e aplicar engenharia pragmática, alcançando um equilíbrio entre precisão, simplicidade e escalabilidade.