Análise preditiva: o que é e como aplicar na sua empresa

Análise preditiva é o uso do histórico da própria empresa para estimar o que tende a acontecer em seguida: qual produto vai faltar antes da próxima compra, qual pedido tem chance alta de voltar, qual cliente deve atrasar o pagamento. Um modelo preditivo é a regra matemática que faz essa estimativa, aprendida do que já aconteceu e testada contra o que aconteceu depois. Este artigo mostra o que uma confecção, uma indústria ou um e-commerce prevê na prática, o que precisa ter em casa e onde a previsão é só chute com gráfico.

Os pontos-chave:

• Prever é olhar o passado com método. O modelo aprende padrões no histórico e aplica a situações parecidas.
• A pergunta vem antes da técnica. Ruptura, devolução, inadimplência, atraso de fornecedor e perda de cliente recorrente são as previsões que mais pagam a conta.
• Sem dois anos de dado limpo, a previsão é chute. Com menos, o modelo nunca viu uma sazonalidade completa se repetir.
• Acerto se mede contra o que aconteceu, com dado que o modelo não viu durante o aprendizado.
• Há coisas que não vale a pena prever: evento raro, regra que muda toda semana e número que ninguém vai usar para agir.

O que uma empresa prevê na prática

Dentro da empresa, a previsão útil é uma frase curta em cima da qual alguém consegue agir. Estas são as cinco que mais aparecem quando conversamos com empresas desse porte:

• Ruptura de estoque. Quais referências vão zerar antes da próxima reposição. Numa confecção, decide qual grade repor antes da coleção acabar.
• Devolução. Quais pedidos têm chance alta de voltar, por produto, tamanho, canal e cliente. No e-commerce de moda, devolução engole margem.
• Inadimplência. Quais títulos a receber tendem a atrasar, pelo histórico de pagamento do cliente. Serve para o financeiro ligar antes do vencimento.
• Atraso de fornecedor. Quais pedidos de compra tendem a chegar fora do prazo. Numa metalmecânica, um dia de atraso em matéria-prima vira semana de fábrica parada.
• Perda de cliente recorrente. Quais clientes que compravam todo mês estão mudando de ritmo antes de sumir.

Nenhuma das cinco pede tecnologia exótica. Todas pedem histórico organizado, variáveis registradas com regularidade e alguém disposto a agir no aviso. É a mesma base que sustenta a IA para análise de dados, e por isso o guia começa pelo dado antes de chegar à ferramenta.

Como um modelo preditivo funciona, em linguagem de dono de empresa

Um modelo preditivo faz o que um gerente experiente faz de cabeça, só que com mais casos e sem esquecer nenhum. O gerente sabe que a referência X sempre falta em maio porque lembra dos últimos três anos. O modelo "lembra" de todas as referências e pesa cada fator pelo quanto ele influenciou o resultado. Três peças compõem qualquer modelo:

1. O histórico: casos passados com o resultado conhecido. Este pedido voltou, este título atrasou, este item zerou. Sem o resultado registrado, não há o que aprender.
2. As variáveis: as informações disponíveis no momento em que a previsão precisa ser feita. Variável que só se conhece depois do fato não serve.
3. O acerto medido: a comparação entre o que o modelo disse e o que aconteceu. O MIT Sloan descreve o passo: parte do dado fica de fora do aprendizado e serve só para testar como o modelo se comporta com casos que nunca viu.

O modelo em si pode ser uma regressão simples ou algo mais sofisticado; essa escolha importa menos do que parece. Modelo bom com dado ruim erra com confiança; modelo simples com dado bom acerta o suficiente para mudar a decisão.

Quanto histórico é preciso para prever alguma coisa

Aqui vale franqueza: é onde a maior parte dos projetos de previsão morre. Sem dois anos de dado limpo, a previsão é chute. Com menos, o modelo viu cada estação do ano uma vez só e não separa padrão de acaso. Um dezembro forte pode ter sido sazonalidade ou uma promoção que não vai se repetir.

"Limpo" pesa tanto quanto "dois anos". Cadastro de produto duplicado, cliente lançado três vezes com grafias diferentes e devolução registrada como venda negativa ensinam o modelo errado. É trabalho de tratamento de dados antes de qualquer previsão, e costuma consumir mais tempo do que o modelo.

A documentação de aprendizado de máquina do Google resume a exigência de outro ângulo: o conjunto usado para testar o modelo precisa ser grande o bastante para ter significado estatístico e representar a realidade em que a previsão será usada. Prever devolução com trezentos pedidos é tão frágil quanto prever ruptura com seis meses de venda.

Se você não tem dois anos, comece a guardar hoje o dado do jeito certo e trabalhe por enquanto com regra fixa ("avisar quando o estoque cair abaixo de 15 dias de venda"). Regra fixa é honesta: todo mundo sabe o que ela faz.

Como saber se o modelo acertou

A medida de acerto vem de comparação com o realizado, nunca da opinião de quem construiu o modelo. Ela acontece em três momentos:

Antes de usar. Separe os meses mais recentes do histórico, que o modelo não vê durante o aprendizado, e compare a previsão com o realizado. Se o modelo acerta 98% do que aprendeu e 60% do que não viu, ele decorou, e o número que vale é o 60%.

Contra a alternativa boba. Toda previsão precisa vencer a regra mais simples possível: "vai vender o mesmo do mês passado" ou "quem atrasou da última vez atrasa de novo". Se não ganha com folga, a empresa paga sofisticação sem retorno.

Durante o uso. Todo mês, guarde a previsão feita e, quando o mês fechar, compare. O mix muda, o mercado muda, o modelo envelhece.

Uma medida que funciona em reunião: de cada dez alertas de ruptura, quantos zeraram? E de cada dez itens que zeraram, quantos o modelo avisou? Duas frações que qualquer diretor entende.

Que pergunta de negócio pede que dado

Antes do projeto, confira se a empresa já tem o que a pergunta exige.

Se a coluna do meio tem lacuna, o projeto começa por ela. O caso mais comum que vemos: a empresa quer prever devolução e descobre que a devolução nunca foi ligada ao pedido de origem. Ali não há histórico a aprender.

Onde não vale a pena prever

Há casos em que a previsão custa mais do que rende:

• Evento raro. Quebra de máquina duas vezes por ano, fraude em meio por cento dos pedidos. Com poucos casos, o modelo não tem de onde aprender e o aviso vem cheio de falso alarme.
• Regra que muda toda semana. Se a política de crédito ou de frete troca a cada reunião, o histórico não representa o presente.
• Número que ninguém vai usar para agir. Faturamento do trimestre com casa decimal impressiona no slide, mas se nenhuma decisão muda com ele, é enfeite.
• Resposta já conhecida. Se o comprador sabe de cor as vinte referências que sempre faltam, regra fixa e alerta resolvem. A previsão entra quando o volume passa do que uma pessoa acompanha.

A previsão de demanda, o caso mais procurado de análise preditiva, tem artigo próprio com métodos e erros comuns.

Como aplicar sem comprar mais um software

O levantamento TIC Empresas do Cetic.br mostra que 32% das empresas brasileiras de 50 a 249 funcionários já usaram alguma tecnologia de inteligência artificial, e a divulgação da pesquisa aponta que 80% das que usaram adquiriram software ou sistema pronto. O que vemos por trás do número: a ferramenta chega antes da base, e a previsão sai errada porque o dado está desorganizado.

A ordem que funciona é a contrária. Escolha uma pergunta só, aquela em que o erro custa mais dinheiro. Confira na tabela se o dado existe e, se falta, registre direito primeiro. Construa a regra boba e meça quanto ela acerta. Só então faça o modelo, teste em período que ele não viu, coloque a previsão onde a decisão acontece e reavalie todo mês. Isso exige base organizada, uma pessoa dona da pergunta e disciplina para medir; plataforma de "IA preditiva" não substitui nenhum dos três.

Quando falar com a Maze Analytics

Faz sentido conversar quando a pergunta já está clara, o dado existe em algum sistema (ERP, plataforma de venda, financeiro) e ninguém dentro de casa consegue juntar tudo e manter atualizado. É esse o trabalho que nós fazemos: conectar as fontes numa base única, deixar cada número com regra escrita e, em cima dela, colocar o assistente que responde perguntas e os agentes que avisam quando algo foge do padrão, como ruptura prevista, descritos em IA e agentes de dados.

Não faz sentido conversar sobre previsão se a empresa ainda não registra o resultado do que quer prever, ou se tem menos de um ano de histórico. Nesse caso a conversa útil é sobre organizar a base, e nós dizemos isso na primeira reunião.

Perguntas frequentes

Qual a diferença entre análise preditiva e modelo preditivo?

Análise preditiva é a prática: escolher a pergunta, reunir o histórico, medir o acerto e agir. Modelo preditivo é a peça central dessa prática, a regra que transforma as variáveis de hoje numa estimativa sobre o futuro. Os tipos de análise estão comparados em análise descritiva, preditiva e prescritiva.

Análise preditiva funciona para empresa pequena?

Funciona se houver histórico suficiente e uma pergunta em que errar custa caro. Uma confecção de 80 pessoas com três anos de venda por referência tem mais chance de prever ruptura do que uma empresa grande que perdeu o histórico ao trocar de sistema. O tamanho importa menos do que a continuidade do dado.

Com que frequência a previsão precisa ser refeita?

Depende do ciclo da decisão. Ruptura de estoque pede atualização diária ou semanal; inadimplência, a cada fechamento de faturamento; perda de cliente recorrente, mensal. Em todos os casos o modelo precisa ser reavaliado contra o realizado, porque o mercado muda.