Análise prescritiva: do que aconteceu ao que fazer

A maioria dos dashboards responde a pergunta errada#

A maior parte das empresas brasileiras que investiu em BI nos últimos anos construiu uma capacidade impressionante de olhar para trás. Os relatórios mostram faturamento do mês, ruptura de estoque da semana, ticket médio por região. Tudo bonito, tudo atualizado, e quase nada disso diz para o gestor o que ele deveria fazer na segunda de manhã. A análise prescritiva é exatamente o degrau que fecha essa lacuna: ela não para em descrever o passado nem em prever o futuro, ela recomenda a melhor ação a tomar, dado tudo o que se sabe. Este artigo mapeia os quatro níveis de analytics, mostra o que caracteriza a prescrição de verdade e explica, sem romantismo, por que a maioria ainda está presa no primeiro degrau.

Vamos ser diretos desde já: pular do descritivo direto para o prescritivo não existe. Cada nível se apoia no anterior, e a maioria dos projetos que fracassa é aquela que tenta vender otimização para uma empresa que ainda não confia nos próprios números. Antes de falar de recomendação automática de ação, é preciso ter dado limpo, histórico confiável e uma cultura mínima de decidir com base em evidência.

Os quatro níveis de analytics existem em complexidade e valor crescentes#

O modelo dos quatro níveis é o mapa mais útil que existe para situar onde sua empresa está. Ele é simples e não muda: cada nível responde a uma pergunta diferente, exige mais maturidade técnica e entrega mais valor de decisão que o anterior.

Nível	Pergunta que responde	Exemplo prático	Maturidade exigida
Descritivo	O que aconteceu?	Faturamento caiu 8% no trimestre	Dado organizado e confiável
Diagnóstico	Por que aconteceu?	A queda veio de três clientes da região Sul	Modelagem e capacidade de cruzar variáveis
Preditivo	O que vai acontecer?	Se nada mudar, o próximo trimestre repete a queda	Histórico robusto e modelos estatísticos
Prescritivo	O que fazer?	Realocar a verba de mídia para reter esses clientes	Otimização, regras de negócio e previsão integradas

Repare que o eixo não é só técnico, é de decisão. O descritivo informa. O diagnóstico explica. O preditivo antecipa. O prescritivo decide, ou pelo menos recomenda a decisão com clareza suficiente para que um humano confie nela. Quanto mais alto o nível, mais perto você chega de automatizar a parte cansativa do julgamento e liberar as pessoas para o que exige contexto e responsabilidade.

Um ponto honesto que quase ninguém diz em palestra: valor crescente não significa que todo mundo precisa chegar ao topo. Uma padaria de bairro resolve a vida com descritivo bem feito. Uma transportadora com mil rotas por dia perde dinheiro real todo dia em que não usa prescrição para roteirizar. O nível certo depende do custo da decisão que você toma repetidamente.

Descritivo e diagnóstico: o alicerce que quase todo mundo subestima#

O descritivo é o "o que aconteceu". É o dashboard, o relatório, a métrica consolidada. Parece básico, e é, mas é onde a maioria dos projetos morre por um motivo trivial: o dado está sujo. Não adianta sonhar com prescrição se o CNPJ do cliente vem escrito de cinco formas diferentes e o faturamento no relatório não bate com o do financeiro. Um bom trabalho de descritivo é menos sobre gráfico bonito e mais sobre uma base confiável, que é justamente o que sustenta qualquer coisa acima. Se esse alicerce ainda não está firme, comece pelo nosso guia completo de Power BI para empresas no Brasil.

O diagnóstico é o "por que aconteceu". Aqui você sai da métrica isolada e cruza variáveis para achar causa. A queda de faturamento veio de qual produto, qual região, qual vendedor, qual mês? Recursos como drill-through, árvore de decomposição e análise de principais influenciadores vivem nesse nível. É trabalhoso, exige um modelo de dados bem construído, e é onde uma boa consultoria de analytics avançado já começa a gerar retorno concreto, porque explicar a causa muda a conversa da diretoria.

Preditivo: o "o que vai acontecer" que abre a porta para a prescrição#

O preditivo usa o histórico para projetar o futuro. Previsão de demanda, probabilidade de churn, risco de inadimplência, estimativa de sinistralidade. Aqui entram modelos estatísticos e machine learning, e aqui é onde a maioria das empresas que tenta pular etapas se machuca: modelo preditivo só é confiável com histórico robusto e dado consistente, exatamente o que os dois níveis anteriores deveriam ter entregado. Uma previsão em cima de dado ruim não é insight, é chute com aparência de ciência.

O preditivo é valioso por si só, mas ele é sobretudo o insumo da prescrição. Prever que um cliente vai cancelar não muda nada se ninguém decide o que fazer com essa previsão. É aí que entra o último nível.

A análise prescritiva recomenda a melhor ação, não só a próxima informação#

A análise prescritiva é o nível que responde "o que fazer". A diferença essencial em relação ao preditivo é que a previsão termina numa estimativa e a prescrição termina numa recomendação de ação concreta, muitas vezes já considerando restrições reais do negócio. Ela combina três ingredientes que precisam trabalhar juntos:

• Previsão: o que os modelos dizem que vai acontecer, o insumo vindo do nível preditivo.
• Otimização: o motor matemático que busca a melhor combinação possível de decisões dentro de um espaço gigante de opções, respeitando limites de capacidade, custo e tempo.
• Regras de negócio: as restrições e políticas que o modelo matemático não conhece sozinho, como acordos de nível de serviço, limites regulatórios, prioridade de clientes estratégicos e horários de operação.

O que muitos vendedores de tecnologia escondem é que a otimização é o coração da prescrição, e ela é difícil. Não se trata de rodar um relatório, trata-se de formular o problema: quais são as variáveis de decisão, qual é a função objetivo (minimizar custo? maximizar margem? equilibrar os dois?) e quais são as restrições. Uma prescrição sem restrições de negócio bem modeladas produz recomendações teoricamente ótimas e operacionalmente impossíveis, do tipo "mande esse caminhão fazer 40 entregas em duas horas". Por isso as regras de negócio não são um detalhe, são metade do trabalho.

Onde a prescrição paga a conta: roteirização, precificação e alocação#

Os exemplos clássicos de análise prescritiva não são acadêmicos, são onde ela devolve dinheiro de forma mensurável e repetida.

Aplicação	Decisão que a prescrição resolve	Papel da otimização e das regras
Roteirização	Qual sequência de entregas e qual veículo para cada rota	Minimizar quilometragem e custo respeitando janelas de entrega e capacidade
Precificação	Qual preço praticar por produto, canal e momento	Maximizar margem sem violar política comercial e reação da concorrência
Alocação de recursos	Como distribuir verba, estoque, equipe ou capacidade	Colocar cada recurso onde gera mais retorno dado limites de orçamento

A roteirização é o caso mais tangível: uma operação de logística com dezenas de veículos e centenas de pontos por dia tem um número de combinações que nenhum humano consegue avaliar, e cada rota subótima é custo de combustível e hora que evapora. A precificação dinâmica é outro território onde a prescrição brilha, porque o preço ótimo muda com demanda, estoque e comportamento do cliente. E a alocação, seja de verba de marketing, de estoque entre lojas ou de equipe entre projetos, é a decisão de "onde colocar o próximo real" que se repete todo mês e que quase sempre é feita no feeling.

O denominador comum desses três: são decisões repetitivas, de alto volume e com trade-offs claros. É exatamente onde a otimização computacional supera o julgamento humano, não porque a máquina é mais inteligente, mas porque ela avalia milhões de cenários sem cansar. Para decisões raras, estratégicas e cheias de contexto político, a prescrição informa, mas quem decide continua sendo gente.

Por que a maioria das empresas ainda está no descritivo#

Esta é a parte que consultoria séria precisa dizer em voz alta: a maioria das empresas ainda opera no nível descritivo, e não é por falta de tecnologia. A ferramenta para prescrever existe, é acessível e roda na nuvem. O que falta é mais teimoso.

Primeiro, a base. Prescrição exige dado confiável, histórico limpo e integração entre sistemas. Empresa que ainda concilia planilha com o ERP na mão não tem o alicerce, e nenhum algoritmo de otimização compensa dado ruim. Estruturar isso é trabalho de engenharia de dados, pouco glamouroso e frequentemente adiado.

Segundo, a cultura de decisão. Prescrição só serve para quem está disposto a agir com base nela. Muita empresa pede recomendação e, quando ela chega, prefere o feeling de sempre. Se a organização não confia no número para explicar o passado, ela não vai confiar no número para escolher o futuro. A maturidade de decisão precede a maturidade técnica.

Terceiro, a expectativa mal calibrada. Vende-se "IA que decide por você" e entrega-se um projeto que exige formulação cuidadosa do problema, dados que muitas vezes não existem no detalhe necessário e um ciclo de ajuste das regras de negócio. Quando a realidade aparece, o projeto perde patrocínio. A honestidade aqui economiza meses: prescrição é um objetivo, não o ponto de partida.

O caminho sensato é sequencial. Consolide o descritivo até confiar nele. Adicione diagnóstico para entender causas. Introduza previsão onde o histórico permite. E só então, nas poucas decisões repetitivas e caras que justifiquem o esforço, construa prescrição. Empresas que respeitam essa ordem chegam lá. As que compram o topo sem a base compram frustração. Se quiser ver como isso se organiza como jornada de plataforma, vale conhecer nossas soluções de dados e IA que sustentam cada um dos níveis.

Perguntas frequentes#

Qual a diferença entre análise preditiva e análise prescritiva? A análise preditiva responde "o que vai acontecer", produzindo uma estimativa, como a probabilidade de um cliente cancelar. A análise prescritiva vai um passo além e responde "o que fazer", recomendando a ação concreta que melhor aproveita ou reverte essa previsão, considerando custo, capacidade e regras do negócio. Previsão é insumo, prescrição é decisão.

Preciso ter os quatro níveis funcionando para começar a prescrever? Você precisa de uma base descritiva confiável e de previsão razoável no domínio específico da decisão. Não é obrigatório ter toda a empresa nos quatro níveis, mas é obrigatório ter dado limpo e histórico consistente naquele processo que você quer otimizar. Sem isso, a prescrição recomenda ações erradas com aparência de rigor.

Prescrição é o mesmo que inteligência artificial? Não exatamente. A prescrição usa previsão, que pode vir de machine learning, mas o núcleo dela é otimização matemática combinada com regras de negócio. Muita solução prescritiva de alto valor, como roteirização, se apoia mais em pesquisa operacional do que em IA no sentido popular. São disciplinas complementares, não sinônimos.

Por que otimização é considerada a parte mais difícil? Porque exige formular o problema com precisão: definir as variáveis de decisão, a função objetivo e, principalmente, as restrições reais da operação. Um modelo que ignora janelas de entrega, limites de capacidade ou políticas comerciais gera recomendações impossíveis de executar. Modelar bem essas regras costuma dar mais trabalho do que rodar o algoritmo em si.

Toda empresa deveria buscar o nível prescritivo? Não. O nível certo depende do custo e da frequência da decisão. Negócios com decisões repetitivas, de alto volume e trade-offs claros, como logística, precificação e alocação, têm retorno alto com prescrição. Para decisões raras e estratégicas, um bom descritivo e diagnóstico já bastam, e a prescrição vira custo sem retorno proporcional.

Quanto tempo leva para sair do descritivo e chegar ao prescritivo? Não há número honesto genérico, porque depende inteiramente da qualidade da base atual. Empresas com dados integrados e confiáveis avançam por nível em poucos meses. Empresas que ainda conciliam planilhas na mão gastam a maior parte do tempo no trabalho invisível de engenharia de dados antes de qualquer modelo. O gargalo quase nunca é o algoritmo, é o alicerce.

O degrau vale a pena, mas na ordem certa#

A análise prescritiva é o destino natural de quem leva dados a sério, porque é onde o investimento em analytics finalmente vira ação e retorno. Mas ela não é um atalho: é o resultado de descritivo confiável, diagnóstico honesto e previsão bem fundamentada, aplicados às poucas decisões que se repetem e custam caro. Empresa que respeita essa sequência colhe. Empresa que compra o topo sem a base repete o ciclo de dashboards bonitos que ninguém usa para decidir.

Se você quer descobrir em qual nível sua operação está de verdade e qual é o próximo passo realista, fale com a gente.