Uma previsão que ninguém combinou de usar é um relatório. Análise preditiva funciona quando o modelo é dono de uma decisão, não de um painel. Guia de campo.
Conteúdo8 seções
Por que as previsões não são usadas
Uma previsão que não está ligada a nenhuma decisão é produzida, distribuída e silenciosamente ignorada. Três motivos explicam isso:
-
Estimativas pontuais sem intervalo de confiança. "As vendas do 3T serão de US$ 4,2 milhões" tratada como fato, levando a comprometimentos excessivos quando a faixa real é US$ 3,4 milhões a US$ 5,0 milhões.
-
Sem decisão específica vinculada. "A demanda do próximo trimestre será 18% maior" sem indicar se é para contratar, expandir capacidade ou estocar.
-
Cadência errada. Previsão produzida mensalmente quando a decisão precisa de atualizações semanais.
A análise preditiva bem-sucedida corrige os três pontos: saídas probabilísticas, vinculadas a uma decisão específica, na cadência dessa decisão.
A realidade da acurácia em 2026
As competições públicas de previsão são o mais perto de uma referência honesta, porque todos os métodos são avaliados nos mesmos dados reservados. Elas não cobrem todos os casos, e onde param, a referência é a sua própria linha de base anterior ao modelo:
| Caso de uso | O que reportar | O que diz a evidência pública |
|---|---|---|
| Previsão de séries temporais | MAPE ou sMAPE, com intervalo | No M4 (100.000 séries), o melhor método foi cerca de 10% mais preciso que uma simples combinação de previsões estatísticas (Makridakis et al., 2018) |
| Demanda por SKU | Erro ponderado por vendas, taxa de ruptura | No M5, a maior parte das 42.840 séries do Walmart era intermitente, com vendas esporádicas e zeros |
| Classificação de leads, churn | AUC, mais conversão ou retenção por faixa | Nenhuma referência pública se transfere; compare com a sua própria linha de base anterior ao modelo |
| Detecção de fraude | Precisão e revocação com volume de alertas fixo | A taxa base dos seus próprios dados decide o que é bom |
Das competições ficam duas lições. Uma simples combinação de métodos estatísticos é difícil de superar: no M4 nenhum dos seis métodos de aprendizado de máquina puro conseguiu. E a queda de acurácia durante mudanças de regime (pós-ruptura, lançamentos de produto, viradas de mercado) é real e inevitável. A posição honesta é alargar os intervalos de confiança durante as transições, não fingir que o modelo antigo ainda funciona.
Três projetos iniciais que são donos de uma decisão
1. Pontuação de risco de churn
Preveja quais clientes têm maior probabilidade de cancelar nos próximos 30, 60 ou 90 dias. Orienta a abordagem proativa de customer success.
O modelo: árvore de gradient boosting sobre características de engajamento (frequência de login, uso de funcionalidades, sentimento dos chamados de suporte, histórico de pagamento). O pipeline de produção segue o padrão de implementação de modelos de ML.
A decisão: os 10% das contas com maior risco recebem uma conversa do CSM em até 5 dias. Métrica: taxa de retenção das contas contatadas frente às não contatadas no decil de maior risco.
2. Previsão de demanda de estoque
Preveja a demanda por SKU, semana e localização. Orienta o momento e a quantidade de reabastecimento.
O modelo: Prophet ou LSTM com características de sazonalidade, feriados e promoções.
A decisão: reabasteça quando a demanda prevista para as próximas 4 semanas exceder o estoque mais o pipeline em trânsito. Métricas: taxa de ruptura, custo de carregamento, ciclos de pedido.
3. Classificação de leads
Preveja quais leads recebidos vão se converter em receita. Orienta a priorização do SDR.
O modelo: regressão logística ou árvore de gradient boosting sobre características firmográficas e comportamentais.
A decisão: os 30% melhores leads recebem contato do SDR no mesmo dia; os 30% piores entram em sequência de nutrição; os 40% intermediários recebem contato no dia seguinte. Métrica: taxa de conversão por faixa, semanal, contra a linha de base anterior ao modelo. Se as faixas não se separarem em conversão dentro de um trimestre, o score não está carregando informação e a regra de roteamento deve voltar à ordem de chegada.
O mandato dos intervalos de confiança
Toda previsão em produção deve reportar:
- Estimativa pontual (o valor mais provável)
- Intervalo de confiança de 80% (P10 e P90)
- Intervalo de confiança de 95% (P2,5 e P97,5)
As decisões devem ser tomadas com base no intervalo, não no ponto. "Precisamos planejar para uma receita de US$ 3,4 milhões a US$ 5,0 milhões no 3T" produz um comportamento financeiro diferente de "a receita do 3T será de US$ 4,2 milhões".
Ferramentas que tratam isso nativamente: Prophet (intervalos embutidos), bibliotecas de predição conformal (CrepeS, MAPIE), modelos bayesianos (PyMC, Stan). Evite modelos que produzem estimativas pontuais sem incerteza.
Quando usar o quê
| Método | Quando | Vantagens | Desvantagens |
|---|---|---|---|
| Regressão linear | Linha de base, poucos dados | Simples, interpretável | Não captura padrões não lineares |
| Prophet | Série temporal com sazonalidade | Fácil, robusto | Personalização limitada |
| ARIMA | Série temporal estacionária | Garantias estatísticas | Frágil a mudanças de regime |
| Árvores de gradient boosting | Características tabulares, classificação | Alta acurácia, interpretável | Complexidade operacional |
| Transformers | Sequências longas, multimodal | Estado da arte em acurácia | Caro para treinar e servir |
| Ensemble (média de 3 a 4 modelos) | Quando o risco é alto | Mais robusto | 3 a 4 vezes mais computação |
O erro é ir direto para os transformers. Comece com Prophet ou árvores de gradient boosting. Avance apenas se a acurácia marginal justificar o custo operacional.
Como detectar mudanças de regime cedo
Modelos treinados com dados pré-COVID falharam no início de 2020. Mudanças de regime são reais e recorrentes.
Três sinais que as captam cedo:
-
Resíduos da previsão tendendo em uma direção. Se o realizado fica sistematicamente abaixo da previsão por 4 ou mais períodos consecutivos, o regime mudou.
-
Drift na distribuição das características. As principais características de entrada se afastam da distribuição de treinamento. Ferramentas: Evidently, Whylogs, Arize.
-
Sinais externos. Eventos macro (mudanças de juros, mudanças de política), eventos do setor (lançamentos de concorrentes, regulação) ou eventos internos (mudança de preço, lançamento de produto) costumam preceder as mudanças de regime.
A resposta não é descartar o modelo, e sim ampliar os intervalos de confiança e reiniciar a janela de treinamento. Previsões em transições de regime são apoio à decisão com alta incerteza, não orientação.
Uma implantação de análise preditiva em 60 dias
Semanas 1-2: escolha a única decisão que a previsão vai orientar. Audite os dados existentes. Monte a linha de base (Prophet ou regressão linear). A escolha disciplinada da decisão segue o método da auditoria de processo antes da automação.
Semanas 3-4: treine, valide em conjunto de teste, documente a acurácia com intervalos de confiança. Implante como lote diário gerando previsão e intervalos.
Semanas 5-6: integre a previsão ao fluxo de decisão. Acompanhe os resultados das decisões (o SDR ligou para os leads certos? o reabastecimento atingiu o nível certo?).
Semanas 7-8: itere sobre características e modelo com base nos resultados das decisões, não apenas na acurácia. Configure o monitoramento de mudanças de regime.
Ao 60º dia, a equipe tem uma previsão em produção orientando uma decisão nomeada, com acurácia documentada, intervalos de confiança e monitoramento de drift. O retorno por decisão entra no formato único de medindo ROI de IA.
A conclusão
A análise preditiva funciona quando o modelo é dono de uma decisão específica, reporta intervalos de confiança e roda na cadência dessa decisão. Falha quando as previsões são estimativas pontuais produzidas para painéis que ninguém lê. Comece pela linha de base (Prophet, regressão linear) e pela menor decisão possível (uma faixa de risco de churn, a demanda de um SKU). Entregue em 60 dias. Meça a qualidade da decisão, não apenas a acurácia da previsão.
Perguntas frequentes
Qual a diferença entre previsão (forecasting) e análise preditiva?
Forecasting é um tipo de análise preditiva, voltado à previsão de séries temporais (vendas no próximo trimestre, demanda no próximo mês). A análise preditiva é mais ampla: inclui classificação (este lead vai converter), pontuação de risco (este cliente vai cancelar) e estimativa de probabilidade (qual a chance de fraude). Compartilham metodologia, mas respondem perguntas diferentes.
Por que a maioria das previsões de negócios não orienta decisões?
Três motivos: (1) a previsão é entregue como estimativa pontual, sem intervalos de confiança, e os humanos a tratam como verdade mesmo quando a incerteza é enorme; (2) a previsão não está vinculada a uma decisão específica - 'as vendas serão X' não diz à área financeira se deve contratar ou estocar; (3) a previsão é produzida mensalmente, mas a decisão precisa dela semanalmente.
Qual modelo devo usar no meu primeiro projeto de previsão?
Comece pela linha de base: regressão linear com características de sazonalidade ou Prophet (biblioteca de previsão do Facebook). Uma linha de base simples é concorrente sério: na competição M4 nenhum dos seis métodos de aprendizado de máquina puro superou uma simples combinação de previsões estatísticas. Avance para ARIMA, gradient boosting ou transformers apenas se a linha de base for claramente insuficiente e a acurácia marginal compensar a complexidade operacional.
Como lidar com a queda de acurácia da previsão após uma mudança de regime?
Três padrões: (1) detecte mudanças de regime cedo por meio de monitoramento de drift (mudança súbita na distribuição do alvo ou das características); (2) reinicie a janela de previsão para usar apenas dados pós-regime, aceitando intervalos de confiança mais amplos; (3) complemente os modelos estatísticos com previsões humanas em ensemble durante as transições. Fingir que o modelo antigo ainda funciona é a escolha mais cara.
Quando os modelos preditivos compensam o custo operacional?
Quando a previsão orienta uma decisão específica com assimetria de custo não trivial. A classificação de leads compensa se priorizar errado custa receita real. A previsão de demanda de estoque compensa se a falta custa mais do que carregar estoque. Projetos genéricos de 'prever o futuro' sem uma decisão específica vinculada não compensam o custo operacional - viram painéis sem uso.
