Análise preditiva: o que dá para prever na empresa

Análise preditiva é usar o que já aconteceu para estimar o que vai acontecer, com uma margem de erro declarada. A última parte da frase é a que separa previsão de adivinhação: um modelo honesto sempre entrega o número junto da incerteza, e quem usa precisa saber conviver com ela.

Este texto trata do que dá para prever em uma empresa comum, o que precisa existir antes de tentar, como saber se a previsão está boa, e os casos em que a resposta certa é não usar previsão nenhuma.

A escada: descritiva, diagnóstica, preditiva, prescritiva

A escada importa porque quase toda empresa que pede previsão ainda não resolveu os dois primeiros degraus. Sem relatório confiável do que aconteceu, não existe base para prever, e o modelo aprende com um retrato torto do passado.

O que dá para prever em uma empresa comum

Fora de laboratório, os casos que se pagam são poucos e conhecidos:

• Demanda e estoque. Quanto vai sair de cada item, para comprar melhor. É o de retorno mais direto, porque o erro tem preço visível: falta ou capital parado.
• Cancelamento de cliente. Quem tem mais chance de sair nos próximos meses, para agir antes. Depende de ter histórico de quem saiu e de sinais anteriores à saída.
• Inadimplência. Probabilidade de atraso por cliente, para ajustar cobrança, prazo e limite.
• Falta em agendamento. Quem tende a não aparecer, para confirmar com mais atenção ou permitir encaixe.
• Manutenção. Quando um equipamento tende a falhar, com base em uso e histórico, o que evita parada não programada.
• Prazo de entrega e de atendimento. Estimativa realista em vez da prometida, que é o que reduz reclamação.

Repare no que não está na lista: prever venda de produto novo sem histórico, prever comportamento em cenário que nunca ocorreu e prever evento raro. Esses são os pedidos mais comuns e os que menos funcionam.

O que precisa existir antes de tentar

1. Histórico com o resultado registrado. Para prever cancelamento é preciso ter a data de quem cancelou. Sem o desfecho anotado, não há o que aprender.
2. Volume e período. Poucos meses de dado não capturam sazonalidade, e negócio sazonal precisa de pelo menos dois ciclos completos.
3. Consistência. Campo preenchido de jeitos diferentes, cadastro duplicado e correção retroativa viram ruído, e ruído vira previsão confiante e errada.
4. Horizonte definido. Prever a semana que vem e prever o ano que vem são problemas diferentes, com precisão diferente.
5. Uma decisão esperando a resposta. Se ninguém vai mudar o que faz por causa do número, o projeto é entretenimento.

Como saber se a previsão está boa

Acurácia sozinha engana, e o exemplo clássico explica: em uma base com 2% de inadimplentes, um modelo que diz “ninguém vai atrasar” acerta 98% das vezes e não serve para nada.

O que olhar de fato:

• Comparação com o método atual. A régua não é a perfeição, é o que a empresa faz hoje, normalmente uma estimativa de alguém experiente. Se o modelo não ganha disso, não vale.
• Os dois tipos de erro, separados. Prever atraso em quem ia pagar custa relacionamento; não prever quem atrasou custa dinheiro. Os dois pesos são diferentes e a decisão sobre eles é do negócio, não do modelo.
• Estabilidade no tempo. Modelo que funcionou no teste e piora a cada mês está vendo um mundo que mudou.
• Faixa, não número seco. “Entre 800 e 950” permite decidir melhor que “875”, porque mostra o tamanho da incerteza.

Com que ferramenta se faz isso

Existe uma escada de ferramenta que acompanha a escada de maturidade, e pular degraus é o que encarece o projeto:

• Planilha. Média móvel, sazonalidade e regressão simples resolvem uma quantidade surpreendente de casos, e servem sempre como linha de base para comparar.
• O próprio sistema de gestão. Muito ERP e sistema de vendas já trazem sugestão de compra e previsão embutidas, desligadas ou mal configuradas. Vale conferir antes de comprar qualquer coisa.
• Ferramenta de painel com previsão. As plataformas de visualização de dados incluem projeção automática, suficiente para acompanhar tendência sem projeto de modelo.
• Modelo próprio. Só quando os degraus acima não dão conta, e aí o custo está em preparar o dado, não em escolher o algoritmo, como está em quanto custa criar uma IA.

A pergunta que economiza dinheiro é sempre a mesma: quanto o degrau seguinte melhora o resultado em relação ao anterior? Se ninguém mediu isso, a compra é por fé.

Os erros de leitura que custam caro

• Confundir correlação com causa. O modelo aponta que clientes que abrem menos e-mails cancelam mais; parar de mandar e-mail não resolve nada.
• Ignorar mudança de regime. Modelo treinado antes de uma mudança de preço, de mercado ou de operação continua respondendo com o mundo antigo.
• Usar previsão como justificativa. Quando o número vira argumento para uma decisão já tomada, o projeto virou política interna.
• Tratar a saída como verdade. Previsão é insumo de decisão, e a decisão continua tendo dono.

Como começar pequeno

Um caminho que funciona em empresa que nunca fez isso, sem contratar plataforma nenhuma:

1. Escolha uma pergunta com decisão atrás. “Quanto comprar do item X no próximo mês” é uma; “entender melhor o cliente” não é.
2. Junte doze meses de histórico em uma planilha só, com o desfecho registrado.
3. Compare a previsão simples com a atual. Média móvel e sazonalidade básica já batem o chute em muitos casos, e servem de linha de base.
4. Só então avalie um modelo. Se o ganho sobre a linha de base for pequeno, o problema não é o algoritmo, é o dado.
5. Rode em paralelo por dois ou três ciclos, decidindo pelo método antigo e anotando o que o novo teria dito.

E se, no meio disso, ficar claro que o que falta é uma ferramenta interna para registrar o desfecho que hoje ninguém anota, esse costuma ser o projeto certo antes de qualquer previsão, como em uma ferramenta interna que virou receita.

Esse desenho evita o padrão mais comum de fracasso: comprar ferramenta antes de ter pergunta, que é a versão preditiva do que está descrito em por que a IA falha nas empresas.

Quando não usar

• Quando o evento é raro demais e não há exemplos suficientes para aprender.
• Quando a decisão exige explicação formal, como crédito e cobrança com contestação, e o modelo não consegue justificar caso a caso.
• Quando o passado deixou de valer, por mudança de produto, de mercado ou de regra.
• Quando uma regra simples resolve. Reposição por ponto de pedido, descrita em sistema de controle de estoque, resolve a maior parte dos casos de estoque sem nenhum modelo.

Análise preditiva é uma das categorias de IA, e não a única: a diferença entre prever e gerar está em tipos de IA, e a base conceitual em o que é inteligência artificial. Para a conta do projeto, quanto custa criar uma IA, e para os números básicos que precedem qualquer previsão, indicadores financeiros para PME.

Perguntas frequentes