Data Analytics

O painel mostra o que aconteceu. Analytics responde por quê e o que vem depois.

Um bom painel resolve a primeira pergunta: a margem caiu. Ele raramente resolve a segunda, que é a que importa: caiu por quê, em qual recorte de carteira, e isso vai continuar no mês que vem?

É aí que analytics entra. Não como um painel mais bonito, mas como um tipo diferente de trabalho: cruzar variáveis que ninguém cruzou, isolar o que de facto explica o resultado e, quando há histórico suficiente, projetar o que tende a acontecer. A diferença prática é passar de reagir ao fecho para agir antes dele.

Duas camadas de análise

A primeira quase sempre precisa vir antes da segunda: prever sem entender produz número que ninguém confia.

• Diagnóstica. Por que o indicador se moveu. Segmentação, análise de cesta, curva ABC, cruzamento entre canais e coortes de cliente. É a camada que transforma "caiu 8%" em "caiu 8% porque um recorte específico da carteira mudou de comportamento".
• Preditiva. O que tende a acontecer. Modelos de Machine Learning aplicados a previsão de demanda, propensão de compra, risco de incumprimento e churn. Sempre com a margem de erro explicitada previsão sem intervalo de confiança é chute com aparência de ciência.

Onde costuma dar retorno mais rápido

Estes são os recortes em que analytics costuma se pagar primeiro na experiência da nossa equipa.

• Carteira de clientes. Quem dá lucro de verdade depois de custo de servir, frete e desconto. É comum descobrir que parte da carteira dá prejuízo com faturação alta.
• Previsão de demanda. Para dimensionar stock e produção sem escolher entre ruptura e capital parado.
• Risco e incumprimento. Priorizar cobrança pelo que tem chance real de recuperar, em vez de tratar todo mundo igual.
• Churn. Identificar o cliente que está a sair enquanto ainda dá para conversar com ele.

O que fica com você no fim

• O modelo documentado. Variáveis usadas, como foi treinado e quando precisa ser retreinado.
• A análise escrita. O achado em português, com a recomendação de ação não só o gráfico.
• O acompanhamento em produção. A previsão comparada ao realizado, para você ver se o modelo continua a acertar.
• Capacitação da equipa. Para ler o resultado com o ceticismo certo e saber quando o modelo não serve.

Como conduzimos

Começamos pela pergunta de negócio, não pelo algoritmo e o diagnóstico inicial serve para checar se existe dado com qualidade e histórico suficientes para respondê-la. Muitas vezes a resposta é que ainda não existe, e dizer isso na semana um é mais honesto do que entregar um modelo bonito treinado em dado ruim.

Como medimos o resultado

O critério é sempre a decisão que a análise mudou, não a acurácia isolada. Nos nossos projetos os indicadores mais frequentes são ganho de margem por recorte de carteira, redução de perda operacional e acerto da previsão comparado ao método que existia antes.