Análises avançadas podem ajudar as empresas a resolver diversos problemas de gestão, incluindo aqueles relacionados ao marketing, vendas e operações da cadeia de suprimentos, o que pode levar a uma vantagem competitiva sustentável. No entanto, à medida que mais dados se tornam disponíveis e as análises avançadas se tornam mais sofisticadas, os gestores podem ter dificuldade para decidir quando, onde e em que medida incorporar máquinas às suas análises empresariais, e até que ponto devem aplicar seu próprio julgamento na tomada de decisões orientadas por dados. Em geral, os humanos são melhores em decisões que envolvem intuição e resolução de ambiguidades. As máquinas são muito superiores em decisões que exigem dedução, granularidade e escalabilidade. Como encontrar o equilíbrio certo? Existem três abordagens comuns às análises: descritiva, onde as decisões são tomadas principalmente por humanos; preditiva, que combina aspectos das outras duas; e prescritiva, que geralmente significa gestão autônoma feita por máquinas. Este artigo descreve quando e como usar cada abordagem e analisa os trade-offs e limitações. Embora o foco esteja em marketing e vendas, os princípios podem ser aplicados de forma mais ampla.
As análises avançadas podem ajudar as empresas a resolver uma série de problemas de gestão, incluindo os relacionados a marketing, vendas e operações da cadeia de suprimentos, o que pode levar a uma vantagem competitiva sustentável. Por exemplo, as empresas podem integrar decisões e otimizar toda a cadeia de valor ao modelar comportamentos e preferências individuais dos clientes e oferecer produtos personalizados com preços o mais próximo possível dos pontos de disposição para pagar dos consumidores — tudo isso reduzindo o custo de atendimento a transações individuais.
Contudo, à medida que mais dados se tornam disponíveis e as análises avançadas são refinadas, os gestores podem ter dificuldades para saber quando, onde e quanto incorporar máquinas às análises de negócios, e até que ponto devem aplicar seu próprio julgamento na tomada de decisões baseadas em dados. As perguntas que precisam ser respondidas são: quando faz sentido abandonar métodos tradicionais centrados em humanos para adotar maior automação nas análises e na tomada de decisões? E como alcançar um equilíbrio adequado entre ambos?
Um de nós (Fabrizio) fundou uma consultoria que ajuda clientes a otimizar o desempenho utilizando IA para automatizar decisões de preços e cadeia de suprimentos; o outro (Das) é um acadêmico que desenvolveu um curso de MBA com estudos de caso sobre o uso de IA para melhorar funções de marketing, vendas e suporte. Juntos, buscamos entender como maximizar o potencial tanto dos humanos quanto das máquinas para chegar às melhores decisões de negócios.
Em geral, os humanos são mais capazes em áreas que envolvem intuição e resolução de ambiguidade; as máquinas são muito superiores em dedução, granularidade e escalabilidade. Como encontrar o equilíbrio certo? Existem três abordagens comuns para análises: descritiva, onde as decisões são feitas principalmente por humanos; preditiva, onde as máquinas determinam os prováveis resultados, mas os humanos escolhem o curso a seguir; e prescritiva, que geralmente significa gestão autônoma feita por máquinas. Este artigo descreve quando e como usar cada abordagem e examina os compromissos e limitações envolvidos. (Embora o foco esteja em marketing e vendas, os princípios podem ser aplicados de forma mais ampla.)
Três Abordagens de Análise
O papel das máquinas difere significativamente nessas abordagens — desde uma ferramenta para ajudar os gestores a entenderem uma situação de negócios, até um auxiliar que apoia as decisões dos gestores, ou ainda um tomador de decisão que libera os gestores dessa responsabilidade. Vamos explorar cada uma delas.
Descritiva: Observações Agregadas
Na análise descritiva — comumente chamada de “inteligência de negócios” — os gestores usam máquinas para entender padrões em dados históricos. Essencialmente, eles pedem: “Ajude-me a entender o que aconteceu.” Essa ajuda geralmente vem na forma de painéis que destacam variáveis de desempenho de entrada e saída, permitindo aos gestores decidirem “qual botão girar” e “quanto”, com base em fatos historicamente observados.
A análise descritiva trata de entender o passado para informar o futuro. Os dados passados são específicos, claros e certos, e essa abordagem está enraizada em fatos verificáveis e objetivos. Espera-se que a análise descritiva continue fazendo parte da rotina diária dos gestores. No entanto, como os humanos não conseguem processar grandes volumes de dados detalhados, eles precisam confiar em informações altamente agregadas. As decisões baseadas nesses dados tendem a ser genéricas e exigem o passo complexo de extrapolar tendências passadas para o futuro.
Além disso, a análise descritiva tende a depender excessivamente de dados internos de transações, por serem mais baratos e prontamente disponíveis. Dados externos, como dados relacionados a clientes (por exemplo, o Net Promoter Score) e pesquisas de mercado, são mais caros e demorados de obter; também são difíceis de analisar e sintetizar em tempo real. Como resultado, os dados mais comuns usados em análises descritivas são variáveis internas e de desempenho do setor, que são fatos observados historicamente. Instintivamente, os gestores complementam os dados retroativos com sua própria experiência ou sabedoria adquirida, especialmente ao usar essa abordagem para diagnósticos. Portanto, a análise descritiva depende fortemente da intuição dos tomadores de decisão e de sua capacidade de superar seus próprios vieses, como evitar selecionar dados que apenas confirmam visões pré-existentes.
Resumindo, a abordagem descritiva tende a carecer de perspectiva externa e se limita a altos níveis de agregação. Gestores que utilizam ferramentas de inteligência de negócios confiam na experiência passada e no reconhecimento de padrões em alto nível para projetar o passado no futuro, muitas vezes confiando em seu instinto. Isso pode levar à repetição de abordagens antigas em vez da descoberta de novos caminhos inovadores. Apesar dos problemas de subjetividade associados a essa abordagem, ela ainda é amplamente utilizada por ser relativamente simples e barata de desenvolver e implementar. E por depender dos humanos para dar sentido aos dados, ela está dentro da zona de conforto da maioria dos gestores formados no mundo analógico.
Preditiva: Visão Limitada do Futuro
Com a análise preditiva, as máquinas determinam o(s) resultado(s) mais provável(is) de uma determinada situação para diferentes combinações de variáveis de entrada, dando aos gestores insights para escolher o curso de ação cujo resultado esperado melhor atenda ao seu objetivo. A análise preditiva pode ser usada para prever vitórias e perdas, calcular elasticidades de preço, prever o impacto de ações de marketing sobre clientes específicos e agrupar dinamicamente clientes em segmentos de mercado. Essas previsões permitem aos gestores tomarem decisões em níveis transacionais e táticos, em contraste com o nível geralmente mais alto da análise descritiva.
A abordagem preditiva é estruturalmente limitada. É quase impossível prever a demanda futura (quanto mais o próprio futuro) com alta certeza. Além disso, mesmo prever variáveis de entrada individuais pode ser altamente complicado: clima, concorrência e desempenho dos fornecedores, por exemplo, podem exigir seus próprios modelos de previsão. Esses modelos podem ser não apenas difíceis de construir, mas também problemáticos, pois as variáveis de entrada e saída frequentemente dependem umas das outras, forçando os gestores a preverem ambas simultaneamente.
Também há limites para o número de variáveis de entrada que podem ser modeladas e para o nível de detalhamento que pode ser alcançado. Embora múltiplos fatores geralmente influenciem as decisões de compra, técnicas preditivas comuns como regressão, agrupamento e previsão por séries temporais normalmente acomodam apenas um subconjunto pequeno de variáveis. Isso acontece porque, para que um modelo seja válido, suas variáveis precisam ser independentes umas das outras — mas adicionar mais variáveis de entrada cria interdependências complexas que tornam o modelo estatisticamente inválido. Além disso, para fazer previsões mais granulares, as empresas devem coletar dados mais detalhados. Por exemplo, para prever as vendas de um produto específico, é necessário coletar dados no nível do SKU, em vez do nível de categoria.
Modelos prescritivos bem projetados podem oferecer maiores recompensas financeiras e melhor desempenho empresarial. Mas eles podem ser muito caros e complexos de implementar.
Outro problema nas análises preditivas é o crescente descompasso entre cientistas de dados e cientistas de negócios em relação aos seus objetivos. Cientistas de dados estão focados em melhorar o rigor estatístico, enquanto os cientistas de negócios se concentram em otimizar as análises para melhorar os resultados da empresa. Para os cientistas de dados, o objetivo das análises preditivas pode ser aumentar a precisão do modelo; já para os cientistas de negócios, o objetivo é o impacto nos negócios. Os cientistas de negócios se concentram em maximizar os benefícios das análises preditivas levando em consideração o impacto econômico de um falso positivo (quando a previsão é positiva, mas o resultado real é negativo) ou de um falso negativo (quando a previsão é negativa e a empresa decide não agir, mas teria obtido um resultado positivo se tivesse aproveitado a oportunidade). Por exemplo, em uma análise preditiva de vitória ou derrota em vendas, um falso positivo geralmente resulta em esforço desperdiçado das equipes de vendas e marketing, enquanto um falso negativo resulta em uma oportunidade desperdiçada ou negócio perdido. Focar apenas em aumentar a precisão pode gerar um modelo que reduz os falsos positivos (o que é positivo), mas que também apresenta um alto número de falsos negativos, o que levaria à perda de oportunidades e a um desempenho geral abaixo do ideal.
Em resumo, as análises preditivas podem ser problemáticas. Confiar apenas nas máquinas pode levar a decisões empresariais subótimas e à perda de potencial de lucro. Os gestores podem, é claro, realizar diagnósticos e análises preditivas manualmente com base em dados descritivos para melhorar a qualidade das decisões. No entanto, esse tipo de esforço ad hoc está sujeito aos mesmos tipos de vieses observados nas análises descritivas.
Prescritiva: Orientação Granular
Com as análises prescritivas, as máquinas tomam decisões com base nos objetivos definidos pelos gestores, utilizando grandes volumes de dados para analisar rapidamente as condições do mercado e aprender por meio do desenvolvimento e execução de uma grande quantidade de experimentos de baixo custo e cenários hipotéticos. Embora muitos desses experimentos possam, inicialmente, ser subótimos ou até completamente equivocados, as máquinas conseguem aprender rapidamente, aproximando-se dos resultados ideais de forma rápida e econômica. Elas então informam ao gestor o que precisa ser feito, mudando o foco das variáveis de entrada (como garantir a precisão dos dados) para os resultados (como otimizar o impacto empresarial das decisões), ao mesmo tempo em que modelam explicitamente os riscos e os custos econômicos.
A decisão prescritiva ideal normalmente depende da previsão de mercado, que determina as receitas esperadas, e da incerteza, que influencia os custos esperados. Nas análises preditivas, o foco seria prever a quantidade de unidades que se espera vender, ignorando o nível de erro associado à incerteza da demanda. A abordagem prescritiva leva essa incerteza em consideração para tomar decisões que maximizam o lucro e se ajusta continuamente à medida que novas informações se tornam disponíveis. Por exemplo, um varejista com pouco estoque nas prateleiras e custos logísticos relativamente baixos pode responder à possibilidade de aumento da demanda com uma estratégia agressiva de reposição de estoque. No entanto, o mesmo varejista, diante de altos custos logísticos e incerteza no mercado, pode achar mais vantajosa e lucrativa uma estratégia de reposição mais conservadora.
Modelos prescritivos bem projetados podem oferecer recompensas financeiras maiores e melhor desempenho empresarial do que modelos descritivos ou preditivos. No entanto, eles podem ser muito caros e complexos de implementar: exigem soluções dedicadas de software e hardware, além de expertise especializada para traduzir estratégias de gestão em objetivos de otimização e regras de negócio compreensíveis pelas máquinas.
O papel humano em todo esse processo — definir as regras de negócio e os objetivos — é extremamente importante. A análise preditiva depende da capacidade de traduzir objetivos, regras e restrições empresariais em instruções claras para a máquina prescritiva. Isso, por sua vez, permite que o modelo prescritivo ajuste dinamicamente suas próprias recomendações na direção especificada pela gestão, garantindo ao mesmo tempo resultados ideais e o cumprimento sistemático de todas as regras e restrições.
Quando Usar Cada Abordagem
Avançar além da análise descritiva em direção a abordagens mais sofisticadas e custosas exige uma análise de custo-benefício. Enquanto os custos estão relacionados à infraestrutura, expertise e liderança necessárias para coletar e analisar dados, os benefícios dependem da oportunidade de obter lucros adicionais por meio de decisões mais granulares e relevantes.
Portanto, qual abordagem utilizar em uma situação específica depende de dois fatores: a relevância dos dados disponíveis e a força do caso de negócios. Um equilíbrio bem-sucedido entre humanos e máquinas maximiza a contribuição de cada um.
Dados:
Quando os dados disponíveis são limitados e há altos níveis de incerteza, a análise descritiva é a opção mais viável para fornecer orientação direcional aos gestores. À medida que a frequência das decisões aumenta, mais dados granulares se tornam disponíveis, e a relevância dos dados para o problema aumenta, abordagens prescritivas mais autônomas tendem a ter melhor desempenho. Em casos intermediários, onde apenas dados relevantes limitados estão disponíveis, a abordagem preditiva é a mais indicada.
Caso de negócios: O potencial de melhoria dos lucros decorre do grau de ineficiência que os insights orientados por dados podem ajudar a resolver. Mas a ineficiência não é uma característica de todos os problemas de negócios. E, mesmo quando há ineficiências, elas podem ser solucionáveis apenas com dados que não estão prontamente disponíveis. Por isso, nem todos os problemas são adequados para abordagens avançadas.
Ao escolher uma abordagem de análise, é preciso repensar o papel do gestor: de alguém que tem todas as respostas para alguém que sabe fazer as perguntas certas.
Por exemplo, as máquinas podem ter dificuldade com problemas relacionados à definição de estratégias de longo prazo e inovação, nos quais a formulação da pergunta correta é, na verdade, mais importante do que encontrar respostas precisas. No entanto, quando se trata da otimização de preços, estoques ou investimentos em marketing, as análises oferecem às empresas oportunidades substanciais, pois respostas precisas atenderão melhor às necessidades dos clientes. Para problemas de negócios com horizontes de tempo longos, como o planejamento, ou com alto nível de ruído nos dados granulares, como a segmentação de CRM, ou com baixo benefício marginal da otimização extrema, como a manutenção operacional, a abordagem preditiva tende a funcionar melhor.
Em uma análise de custo-benefício, a análise descritiva representa uma abordagem de “baixo custo/baixo ganho”. É mais relevante em situações nas quais os dados disponíveis são limitados e há grande incerteza quanto ao resultado. Embora o impacto econômico absoluto de cada decisão possa ser muito alto, a melhoria de desempenho resultante não justifica os investimentos necessários para incorporar a contribuição das máquinas e aumentar a qualidade das previsões e decisões. No outro extremo, quando há muitos dados disponíveis e a oportunidade de melhorar o impacto econômico de cada previsão individual com um alto nível de certeza, a análise prescritiva faz mais sentido, justificando seu grau relativamente mais alto de complexidade e custo com um retorno sobre o investimento elevado. Muitas vezes, nessas situações, o impacto econômico absoluto de decisões individuais não é alto, mas o número de decisões tomadas, o potencial de ganhos em cada uma delas e o maior nível de certeza dos resultados ao longo do tempo se combinam para tornar o investimento em análise prescritiva vantajoso. A análise preditiva é a mais adequada para os casos intermediários.
Na prática: a evolução dos descontos de preço na Event Network
O excesso de estoque é um problema comum. Ele precisa ser vendido e, geralmente, com desconto, o que torna os descontos de preço uma parte recorrente e necessária da gestão de estoques. A causa raiz está na impossibilidade estrutural, mesmo com um modelo de previsão teoricamente perfeito, de prever com exatidão as vendas. Diante da incerteza de fatores como clima, ações da concorrência e choques macroeconômicos, os gestores tendem a manter altos níveis de estoque para evitar a perda de vendas e de clientes.
Vamos analisar como a Event Network (EN), que opera lojas de presentes e lembranças nos Estados Unidos e Canadá, enfrentou esse desafio. (Divulgação: a EN é cliente da empresa de Fabrizio, a Evo Pricing.) O fluxo de clientes em suas lojas, localizadas em museus, zoológicos, aquários e outras atrações culturais, é altamente sazonal e relativamente imprevisível. Cada loja da EN possui um estoque único, muitas vezes personalizado para o local (como São Francisco ou Nova York), o tema da atração (plantas em um jardim botânico) e a época do ano (suéteres no inverno). O elevado número de SKUs da rede — mais de 100 mil — representava um grande desafio para a gestão de descontos.
Com o tempo, a EN utilizou as três abordagens analíticas. Veja como cada uma funcionou.
Abordagem nº 1: Análises Descritivas
Os gestores da EN começaram utilizando um método simples: aplicavam descontos maiores em produtos com altos estoques resultantes de vendas decepcionantes. Para decidir quais produtos descontar e em que percentual, consideravam medidas como vendas históricas por semana, níveis de estoque e a razão de cobertura (número de dias que o estoque atual duraria no ritmo atual de vendas).
Para calcular o desconto de um produto com custo unitário de 10 dólares e 10 mil unidades em estoque, multiplicavam o desconto proposto (30%) pelo número de unidades disponíveis (30% × 10 × 10.000). Começavam com o SKU com maior razão de cobertura e seguiam descendo na lista até esgotar o orçamento disponível para descontos.
Essa abordagem acabou se mostrando insatisfatória, pois dependia apenas de dados históricos internos de desempenho de estoque. Não considerava fatores relacionados aos clientes ou ao contexto, que impactam significativamente a demanda do consumidor.
Abordagem nº 2: Análises Preditivas
Em seguida, os gestores utilizaram técnicas baseadas em regressão para aplicar descontos em produtos com maior elasticidade-preço (variação percentual no volume de vendas esperada com uma determinada variação percentual no preço). Calcularam a elasticidade rodando regressões de volumes históricos de venda sobre os preços históricos, por categoria, por loja e por semana. Por exemplo, uma redução de 10% no preço de um SKU com elasticidade de –2 resultaria em um aumento de 20% no volume vendido (resultado de –10% × –2). Assim, ao passar de uma base de 100 unidades vendidas a 10 dólares cada (gerando 1.000 dólares) para 120 unidades a 9 dólares cada, o faturamento subiria para 1.080 dólares — um aumento de 8%. Cálculos semelhantes podem ser feitos para métricas como margem e nível de estoque. Com a simulação de cenários, os gestores podiam escolher o objetivo estratégico preferido e determinar a melhor combinação de descontos com base no impacto esperado. Isso permitia levar em conta não só os dados internos de estoque, mas também as expectativas de demanda dos clientes e, portanto, o impacto de mercado das decisões.
O desconto ideal variava de acordo com o objetivo dos gestores, e não apenas com as vendas ou o nível de estoque. Embora os resultados dos modelos de regressão fossem estatisticamente significativos, os gestores da EN notaram que o poder explicativo dos modelos era relativamente baixo (o preço explicava apenas entre 10% e 20% da variação nas vendas). Isso se devia ao fato de muitos outros fatores influenciarem as vendas, como o clima, o fluxo de pessoas e a variedade de produtos disponíveis. Acrescentar essas variáveis ao modelo geraria custos com a coleta de dados adicionais em tempo hábil. Além disso, mais dados aumentariam a complexidade dos cálculos ao introduzir mais ruído e dependências indesejadas entre variáveis.
Mesmo assim, os gestores seguiram com a regressão unidimensional entre volume e preço, ainda que rudimentar, pois produziu resultados superiores à abordagem descritiva. O desempenho aprimorado também aumentou o apetite da gestão da EN por abordagens analíticas mais avançadas. Eles passaram a considerar o uso de uma abordagem diferente para superar as limitações estruturais da análise preditiva.
Abordagem nº 3: Análises Prescritivas
A abordagem prescritiva adotada posteriormente pelos gestores da EN superou as duas anteriores ao considerar uma gama mais ampla de fatores que afetam o comportamento do consumidor. Utilizando múltiplas fontes de dados e técnicas avançadas como aprendizado de máquina e otimização automatizada, a EN conseguiu identificar quais produtos descontar, quando e em que percentual.
Os gestores reconheceram que era praticamente impossível confiar na intuição diante de um nível tão alto de granularidade e não linearidade. Além disso, a jornada pelas diferentes abordagens analíticas levou-os a valorizar os benefícios de usar automação e aprendizado de máquina para compreender a complexidade e construir sistemas autônomos que, com o tempo, aumentaram significativamente a lucratividade.
Ao escolher uma abordagem analítica, é fundamental repensar o papel do gestor: deixar de ser a pessoa que tem todas as respostas para se tornar aquela que faz as perguntas certas. A formulação dos problemas, que depois podem ser resolvidos por máquinas, continua sendo uma habilidade essencialmente humana. Mas os gestores podem, com sabedoria, abrir mão de parte do controle em favor das máquinas. Os principais critérios para escolher a melhor abordagem são conhecidos: a relevância e a disponibilidade de dados e o potencial de melhoria no impacto do negócio que se espera obter com investimentos em análises mais sofisticadas.
Humanos e máquinas se destacam em tarefas diferentes: humanos lidam melhor com dados limitados e aplicam intuição em contextos desconhecidos, enquanto máquinas tomam decisões, por mais granulares e esparsas que sejam, quando essas se repetem ao longo do tempo ou em diferentes locais, em ambientes com abundância de dados relevantes. Quando há poucos dados, situações altamente ambíguas ou objetivos conflitantes que limitam o que pode ser inferido a partir dos dados, as máquinas têm dificuldade em produzir resultados relevantes. Mas, para problemas complexos que contam com dados abundantes e cujas soluções podem melhorar significativamente o desempenho do negócio, os gestores devem comprar ou desenvolver as máquinas adequadas e definir os objetivos certos para que elas façam aquilo em que são realmente boas.
Fonte:
Uma versão deste artigo foi publicada na edição de maio–junho de 2023 da Harvard Business Review. Traduzido pelo ChatGPT 4.
Sobre os autores:
Fabrizio Fantini é fundador e CEO da Evo Pricing, empresa que oferece soluções de IA para automatizar e otimizar decisões de precificação e cadeia de suprimentos.
Das Narayandas é professor de Administração de Empresas na Harvard Business School.