O que furacões e biscoitos nos ensinam sobre análise preditiva?

Ano de 2004. Era verão no Hemisfério Norte quando os serviços meteorológicos soltaram o alerta de que um furacão ameaçava atingir a costa do estado americano da Flórida. Como a tradição demanda que todo furacão receba um nome, este foi batizado de Frances.

Executivos da gigante varejista Walmart, loja que por coincidência havia inaugurado dias antes uma unidade na região a ser afetada pelo furacão, identificaram ali que a situação poderia ser uma boa oportunidade para o uso de técnicas previsão de consumo com a finalidade de preparar as lojas para a passagem do Frances. A responsável por implementar o projeto seria a diretora executiva de informação (CIO, em inglês) Linda M. Dillman. Linda solicitou à sua equipe que utilizassem como base as informações sobre vendas efetuadas quando o furacão Charley apareceu algumas semanas antes. Assim os grupos trabalharam para fazer previsões baseadas no que havia acontecido em evento similar e a empresa pode se planejar para o acontecimento.

Certamente a maioria de nós pensaria que os itens mais procurados teriam sido água, papel higiênico e lanternas, certo?

Surpreendentemente, o que os especialistas viriam a descobrir, porém, é que os consumidores na verdade procuraram itens... curiosos: os dados mostraram que as vendas de cerveja e de um biscoito específico - o Pop-Tarts de morango - aumentaram sete vezes acima do normal antes do evento climático.

Ao que tudo indica, americanos gostam de apreciar uma tempestade saboreando uma cerveja gelada com bolachas recheadas.

Tipos de Análise de dados

As análises diagnóstica, descritiva, prescritiva e preditiva são quatro tipos fundamentais de análise de dados, cada uma com um propósito e abordagem distintos:

A análise descritiva é o primeiro nível de análise de dados. Seu principal objetivo é descrever, resumir ou mostrar os dados de maneira que represente padrões ou tendências. Essencialmente, ela responde à pergunta "O que aconteceu?". Ela envolve o uso de ferramentas estatísticas básicas, como médias, percentuais, e desvios padrão. Gráficos, tabelas, e representações visuais são frequentemente utilizados para apresentar esses dados de forma clara e compreensível. Por exemplo, um relatório de vendas mensais de uma empresa é um exemplo clássico de análise descritiva.

A análise diagnóstica, por sua vez, vai um passo adiante. Ela busca entender as causas e os motivos por trás dos padrões ou tendências identificados na análise descritiva. Em outras palavras, ela responde à pergunta "Por que isso aconteceu?". Envolve técnicas mais aprofundadas, como análise de correlação, de regressão e outras ferramentas estatísticas. Essa análise pode incluir a exploração de dados para identificar anomalias, padrões ou discrepâncias nos dados e tentar entender suas causas subjacentes. Se uma empresa nota uma queda nas vendas, a análise diagnóstica pode explorar diversos fatores (como mudanças no mercado, problemas com o produto, etc.) para identificar a razão dessa queda.

Há também a análise prescritiva, que é considerada um dos tipos de análise mais avançados. Ela não apenas identifica padrões e explica as causas, mas também recomenda ações ou soluções. Ela é utilizada para responder "O que deve ser feito?". Utiliza-se técnicas sofisticadas, incluindo modelagem preditiva, otimização e simulação, para prever diferentes cenários e seus resultados. Com base nessa previsão, ela sugere o melhor curso de ação. A análise prescritiva pode sugerir, por exemplo, estratégias de marketing específicas ou mudanças no produto para reverter uma tendência negativa (queda de vendas).

A Análise Preditiva de Dados

Os analistas do Walmart utilizaram o que chamamos em Ciência de Dados de análise preditiva. A análise preditiva é uma técnica que se baseia no uso de dados históricos, cálculos matemáticos, algoritmos de machine learning e técnicas estatísticas para prever eventos futuros. Com esta técnica há uma evolução significativa na forma como as empresas gerenciam suas finanças e tomam decisões estratégicas ao utilizar dados sobre o passado para antever cenários e tendências do futuro.

Dentre os modelos mais utilizados em análise preditiva, destacam-se:

Modelos de Agrupamento: Esses modelos organizam dados agrupando-os conforme atributos similares. Por exemplo, é possível criação de estratégias de marketing direcionadas para grupos específicos a partir do emprego de modelo para dividir uma base de clientes em grupos homogêneos com base em características compartilhadas.

Modelos de Classificação: Estes modelos segmentam e categorizam dados com base em informações históricas, elucidando as relações existentes em um conjunto de dados. Um exemplo prático é a utilização desses modelos para agrupar clientes ou prospects em diferentes categorias para fins de segmentação de mercado.

Modelos de Séries Temporais: Estes modelos analisam dados que são coletados em intervalos regulares de tempo, como diariamente, mensalmente ou anualmente. A prática comum é representar a variável dependente ao longo do tempo para examinar os dados em busca de padrões sazonais, tendências e ciclos, o que pode revelar a necessidade de transformações específicas e a escolha de tipos apropriados de modelos analíticos.

O processo de análise preditiva deve seguir as seguintes etapas:

1. Definição de escopo: Identificar o objetivo do projeto;
2. Coleta de dados: compilar dados de múltiplas fontes para obter a imagem mais completa possível;
3. Análise de dados: os dados são selecionados, inspecionados e modelados a fim de se chegar em uma conclusão;
4. Elaboração de estatísticas: validar se as conclusões, as premissas e as hipóteses fazem real sentido e se elas são consistentes;
5. Criação do modelo: um modelo preditivo no qual seja possível modificar parâmetros para modular os resultados;
6. Implantação do modelo: utilizar os resultados para gerar métricas e relatórios, permitindo tomar decisões baseadas nestes;
7. Monitoramento dos resultados: verifica se os resultados condizem com as previsões obtidas.

Como a análise preditiva pode ser aplicada aos negócios?

Quando aplicada ao mundo corporativo, a análise preditiva se concentra

hoje em cinco capacidades: identificar tendências, prever comportamentos, entender as necessidades dos clientes, promover a tomada de decisões e melhorar o desempenho dos negócios. Uma boa análise deve saber aproveitar informações para que os gestores consigam realizar o estudo com o máximo de precisão. Os sistemas devem conseguir identificar padrões, analisar o hábito de seus consumidores e apontar aspectos de mudanças, sendo capaz também de delinear comportamentos mercadológicos. Com o auxílio de algoritmos complexos e recursos inteligentes, os gestores conseguem estudar os padrões rotineiros e definir qual será o próximo passo da organização. Acessando previsões mais precisas e análises melhor detalhadas, eles podem tomar decisões mais informadas e baseadas em evidências.

Tomadas de decisão baseadas em dados

Antes da popularização da Tecnologia da Informação no mundo corporativo, as decisões de negócios eram frequentemente tomadas com base na intuição ou experiência. No entanto, à medida que entramos em uma era cada vez mais digitalizada, com o avanço das tecnologias de big data e analytics, as organizações agora podem aproveitar grandes volumes de dados para tomar decisões informadas. Isso significa analisar padrões, tendências e correlações em dados históricos e atuais para prever resultados futuros e tomar decisões estratégicas.

As empresas que conseguirem efetivamente integrar essas tecnologias em suas estratégias de tomada de decisão estarão melhor posicionadas para liderar em seus respectivos mercados.

Embora promissora, a implementação da tomada de decisão baseada em dados possui seus desafios, sendo cultivar dados de boa qualidade a mais primordial delas, visto que dados imprecisos ou mal interpretados podem levar a caminhos errados. Além disso, é necessário um considerável investimento em infraestrutura tecnológica e em pessoal dotado de habilidades analíticas para analisar efetivamente grandes conjuntos de dados. Esses quesitos acabam por alijar micro, pequenas e médias empresas dessa cara realidade. Por último, é também mandatório que as companhias estudem e implementem a privacidade dos dados e mantenham-se em conformidade com a LGPD (Lei Geral de Proteção de Dados).

Previsão de Tendências e Comportamento do Consumidor

Como vimos na história que abre este artigo, a análise preditiva no setor de vendas não é apenas uma ferramenta para aumentar a eficiência, é também um catalisador para uma transformação estratégica. As empresas que adotam essa tecnologia tendem a estar bem posicionadas para entender melhor seus clientes, prever tendências de mercado e otimizar suas operações de vendas, garantindo uma vantagem competitiva significativa no mercado dinâmico de hoje. À medida que essa tecnologia evolui, ela promete abrir novos horizontes para o que é possível em vendas e marketing.

De forma esquemática, podemos vislumbrar as seguintes vantagens:

Previsão de Tendências e Comportamento do Consumidor:

A análise preditiva permite que as empresas entendam melhor e antecipem as necessidades e desejos dos clientes.

Identifica padrões de compra e preferências, ajudando a prever quais produtos ou serviços serão demandados.

Geração e Qualificação de Leads:

Ajuda a identificar quais leads têm maior probabilidade de conversão, permitindo que as equipes de vendas priorizem seus esforços.

Melhora a eficiência ao concentrar recursos em leads com maior potencial de vendas.

Personalização das Ofertas:

Permite a criação de ofertas personalizadas, aumentando a probabilidade de fechar vendas.

A personalização baseada em análise preditiva pode levar a uma maior satisfação do cliente e fidelidade à marca.

Otimização de Preços e Promoções:

A análise preditiva pode sugerir o melhor preço para maximizar a receita e a margem de lucro.

Ajuda a determinar o timing e o público-alvo ideal para promoções.

Gerenciamento de Inventário:

Prevê a demanda futura de produtos, ajudando a otimizar os níveis de estoque.

Reduz o risco de excesso de estoque ou escassez de produtos.

Análise de Sentimento e Feedback do Cliente:

Analisa feedbacks e avaliações de clientes para identificar áreas de melhoria.

Ajuda a entender o sentimento do cliente em relação a produtos ou serviços.

Aprimoramento da Experiência do Cliente:

Fornece uma compreensão mais profunda do comportamento do cliente, possibilitando uma experiência mais personalizada e satisfatória.

Previsão de Riscos e Identificação de Problemas:

Identifica riscos potenciais nas vendas, como a perda de clientes importantes.

Permite a intervenção precoce para mitigar problemas.

Melhoria na Precisão das Previsões Financeiras

É possível se obter uma maior precisão das previsões financeiras analisando anos de dados financeiros para identificar tendências e padrões, ajudando a realizar projeções mais precisas de fluxo de caixa, receitas e despesas.

Num cenário ideal, para que a análise preditiva se torne uma realidade, os gestores devem implementar profundas mudanças na cultura organizacional da empresa e a relação das equipes com o gerenciamento estratégico de dados.

Mudanças essas que comecem envolvendo padronização dos fluxos financeiros e orçamentários, acompanhamento dos indicadores (receita, lucro, vendas, investimentos, patrimônio, entre outros) e informatização de toda a operação financeira da companhia (em um único sistema ou em múltiplas plataformas, mas que sejam plenamente integradas entre si). Dentre os inúmeros benefícios, podemos destacar:

• Gestão de riscos mais eficiente;
• Maior assertividade nas tomadas de decisão;
• Simplificação de planejamento financeiro e orçamentário;
• Checagem de métricas e indicadores-chave de desempenho (KPI's) mais apurada;

Detecção e prevenção de fraudes

Ainda é recente o maior caso de fraude contábil da história brasileira: em 11 de janeiro de 2023 as Lojas Americanas divulgaram, em um Fato relevante, manobras contábeis que causaram um "falso lucro", com resultados artificialmente elevado para proporcionar maiores ganhos para a alta direção e investidores.

Com o uso de análises aplicadas à Contabilidade, é possível prevenir ou detectar fraudes com algoritmos sofisticados que analisam transações e padrões de comportamento para identificar atividades suspeitas, permitindo que as empresas tomem medidas proativas para mitigar riscos.

Pode-se incorporar técnicas de machine learning para detectar e prever comportamento fraudulento das empresas ao relatar informações financeiras e assim construir uma estrutura que conte com um conjunto de informações firmes, para obter um melhor desempenho de detecção e fornecer previsões para possíveis fraudes contábeis futuras.

Planejamento Tributário

A evolução contínua das ferramentas de análise tem sido um elemento chave para o aumento significativo nas receitas coletadas pela Receita Federal do Brasil. O projeto Sped, que vem sendo implantado continuamente desde 2007, é o símbolo máximo desse passo evolutivo do Fisco. Portanto, é essencial que as empresas assegurem a integridade de seus dados para minimizar riscos. Isso pode ser alcançado por meio de uma gestão de risco tributário mais eficiente, aprimorando a qualidade dos dados e, consequentemente, gerando um retorno sobre o investimento (ROI) efetivo através da aderência ao Compliance Fiscal.

Ao prever mudanças nas legislações tributárias e seu impacto nas finanças da empresa, os gestores podem planejar de forma mais eficaz para minimizar obrigações fiscais, principalmente se considerarmos que estamos às portas de uma novíssima legislação tributária.

É sabido que devido a nossa complexa legislação tributária, muito tempo de trabalho acaba sendo gasto com rotinas mecânicas e repetitivas. Com a automação de tarefas rotineiras através de modelos preditivos, não só é possível economizar tempo, mas também aumentar a eficiência operacional. Isso permite que os analistas se concentrem em tarefas mais estratégicas, adicionando maior valor à organização e a suas próprias carreiras.

Conclusões

Como mostrado, a análise preditiva é um ativo poderoso para os negócios modernos, oferecendo a capacidade de tomar decisões mais inteligentes, prever tendências futuras, melhorar a eficiência e manter uma vantagem competitiva no mercado. No entanto, para maximizar seu potencial, as empresas não devem se esquecer de abordar todos os desafios associados à sua implementação, custo e uso.

À medida que essas novas tecnologias de análise de dados evoluem, elas prometem expandir a novos horizontes para o que é possível se prever e mensurar em vendas, marketing, finanças, contabilidade e tributos, como pudemos ver neste artigo.

E nem precisamos mais de furacões para isso.

Quer saber mais? Aqui estão as referências:

Artigo

Como estar à frente do Fisco?

Livro

Foster Provost & Tom Fawcett "Data Science para Negócios - o que você precisa saber sobre mineração de dados e pensamento analítico de dados"