Como reduzir a sinistralidade da operadora com análise de dados

Sinistralidade alta não se resolve na planilha do fechamento#

Quando a diretoria de uma operadora percebe que a sinistralidade está fora do lugar, quase sempre já é tarde. O índice apareceu no fechamento contábil, três meses depois do fato gerador, agregado por carteira, sem visibilidade de onde o custo cresceu, em qual grupo de vidas ou em qual prestador. A conversa vira gestão de crise: reajuste, corte de rede, renegociação. Reduzir sinistralidade de forma sustentável é outra coisa. É antecipar o custo antes que ele vire glosa perdida ou internação evitável, e isso depende de dados organizados, atualizados e no lugar certo.

Este artigo é para quem opera saúde suplementar de verdade: operadoras, autogestões, cooperativas médicas e administradoras de benefícios. Vou tratar das alavancas que efetivamente movem o índice, dos KPIs que você precisa medir com granularidade, dos sistemas que geram o dado (TISS, padrão ANS) e de como Power BI e Power Platform entram nisso sem prometer mágica. Sem estatística inventada e sem discurso de transformação digital.

O que a sinistralidade realmente esconde#

Sinistralidade, na conta mais direta, é o quanto você paga em despesa assistencial dividido pela receita de contraprestações no período. O número agregado é útil para o resultado, mas inútil para a gestão. Ele mistura carteiras saudáveis com carteiras deficitárias, esconde sazonalidade e não diz nada sobre a causa.

Para agir, o índice precisa ser decomposto em duas forças básicas: frequência (quantos eventos por vida acontecem) e custo médio por evento. Sinistralidade sobe porque mais gente usou, porque cada uso ficou mais caro, ou por uma combinação das duas. São problemas diferentes com soluções diferentes. Frequência alta em pronto-socorro aponta para atenção primária falha e falta de coordenação de cuidado. Custo médio por internação subindo aponta para OPME, tempo de permanência e, muitas vezes, conta médica mal auditada.

A tabela abaixo separa os indicadores que uma operadora deveria acompanhar com corte por carteira, faixa etária, prestador e grupo terapêutico, não apenas no consolidado.

KPI	O que mede	Corte mínimo recomendado
Sinistralidade	Despesa assistencial / contraprestações	Carteira, contrato, faixa etária
Frequência de utilização	Eventos por vida no período	Tipo de evento, prestador, especialidade
Custo por vida (PMPM)	Despesa por beneficiário por mês	Carteira, faixa etária, cronicidade
Custo médio por evento	Valor pago por conta ou por internação	Prestador, procedimento, OPME
Taxa de glosa	Glosas identificadas / valor apresentado	Prestador, motivo, tipo de conta
Índice de internação	Internações por mil vidas	Eletiva vs urgência, reinternação

O custo por vida, ou PMPM (per member per month), é provavelmente a métrica mais honesta para comparar carteiras de tamanhos diferentes ao longo do tempo. Ele neutraliza o crescimento de vidas e mostra tendência real de custo. Se o PMPM de uma faixa etária cresce muito acima da inflação médica, ali está o problema.

As alavancas que efetivamente reduzem sinistralidade#

Dado não reduz custo sozinho. Ele direciona a ação. Existem quatro alavancas onde a análise de dados tem retorno mensurável e onde a maioria das operadoras deixa dinheiro na mesa.

Gestão de crônicos e coordenação de cuidado#

Uma parcela pequena de vidas concentra uma parcela desproporcional da despesa assistencial. Isso é característica estrutural de qualquer carteira de saúde, não uma estatística que preciso inventar: pacientes crônicos e de alta complexidade puxam o custo. Identificar essas vidas cedo, com base em histórico de utilização, diagnósticos recorrentes e uso de pronto-socorro, permite colocá-las em programas de acompanhamento antes da descompensação. Um diabético monitorado que não interna é ordens de magnitude mais barato que a mesma vida chegando ao pronto-socorro em cetoacidose. O papel dos dados aqui é a estratificação de risco: cruzar autorizações, contas médicas e histórico para gerar listas acionáveis para a equipe de saúde populacional.

Auditoria de contas médicas e combate a glosa#

Aqui está o ganho mais rápido e mensurável. Conta médica apresentada por prestador tem inconsistências: cobrança duplicada, procedimento incompatível com diagnóstico, OPME acima da tabela, item fora do pacote negociado. A auditoria manual não dá conta do volume. Regras automatizadas sobre os dados do TISS conseguem sinalizar contas suspeitas para auditoria dirigida, priorizando os casos de maior valor e maior probabilidade de glosa legítima. A taxa de glosa por prestador, quando visível e recorrente, muda o comportamento da rede.

Rede credenciada e direcionamento#

Nem todo prestador entrega o mesmo custo pelo mesmo desfecho. Comparar custo médio por procedimento, tempo de permanência e taxa de reinternação entre prestadores revela outliers. Isso alimenta duas ações: renegociação com quem está caro sem justificativa clínica, e direcionamento de demanda para prestadores eficientes. Sem o dado comparável e limpo, a negociação de rede vira achismo.

Coparticipação e desenho de produto#

Coparticipação bem calibrada modula frequência, especialmente em eventos de baixa complexidade e alta discricionariedade, como consultas e pronto-socorro evitável. O desenho precisa de simulação sobre dados reais de utilização para não penalizar quem realmente precisa nem estimular postergação de cuidado que sai mais caro depois. Análise de dados é o que separa uma regra de coparticipação inteligente de uma que só irrita o beneficiário.

Onde nasce o dado: TISS e o padrão ANS#

Não dá para falar de análise em operadora sem entender a origem do dado. O padrão TISS (Troca de Informações na Saúde Suplementar), regulamentado pela ANS, é o formato obrigatório de troca de informações entre operadoras e prestadores. É dele que saem as guias de autorização, as contas médicas e os dados de utilização. O padrão TISS carrega terminologias unificadas, incluindo a Terminologia Unificada da Saúde Suplementar (TUSS) para procedimentos.

Além do TISS, a operadora convive com o SIB (Sistema de Informações de Beneficiários) e com os envios periódicos à ANS, como o monitoramento TISS e o Programa de Qualificação de Operadoras. O ponto prático é este: o dado bruto existe e é padronizado, mas ele chega fragmentado, em lotes, com inconsistências de preenchimento do prestador e sem um modelo analítico pronto. Transformar arquivos TISS e bases transacionais em um modelo confiável de análise é trabalho de engenharia de dados, não de exportar para Excel. É aqui que a maioria dos projetos trava, e é onde uma base bem construída de engenharia de dados sustenta tudo o que vem depois.

Sistema / padrão	Função	O que alimenta na análise
TISS	Troca de guias e contas com prestadores	Utilização, contas médicas, glosa
TUSS	Terminologia unificada de procedimentos	Padronização de procedimentos e OPME
SIB	Cadastro de beneficiários na ANS	Base de vidas, faixa etária, vínculo
Sistemas de autorização	Liberação prévia de procedimentos	Frequência, pré-autorização, negativas
ERP / financeiro	Contraprestações e pagamentos	Receita, sinistralidade, PMPM

Como Power BI e Power Platform entram nisso#

O Power BI é a camada de visualização e análise mais difundida no mercado brasileiro, em boa parte pela penetração do ecossistema Microsoft nas empresas. A Microsoft é reconhecida como Líder no Quadrante Mágico do Gartner para plataformas de Analytics e BI há anos consecutivos. Para uma operadora, isso significa uma ferramenta madura, com governança e integração ao restante do Microsoft 365.

Do ponto de vista técnico, o motor do Power BI, o VertiPaq, comprime colunas em memória por cardinalidade. Isso importa em saúde porque as bases são grandes: milhões de linhas de contas médicas e autorizações. Um modelo bem projetado, com granularidade correta e colunas de baixa cardinalidade onde possível, roda relatório de sinistralidade sobre volumes altos com desempenho aceitável. Um modelo mal projetado engasga. A modelagem não é detalhe, e vale investir em boas práticas de DAX e modelagem desde o início.

Casos de uso concretos de Power BI em uma operadora:

• Painel de sinistralidade decomposta por carteira, frequência e custo médio, com drill até o prestador e o procedimento.
• Monitor de PMPM por faixa etária e cronicidade, com tendência e comparação contra inflação médica.
• Ranking de prestadores por custo, taxa de glosa e reinternação, alimentando as negociações de rede.
• Estratificação de risco de vidas para os programas de crônicos.

O Power Platform resolve a outra metade do problema, a ação. Relatório mostra que uma conta está suspeita, mas alguém precisa auditar. Com o Power Platform, você constrói um Power App para a equipe de auditoria registrar decisões sobre contas sinalizadas, e um fluxo no Power Automate que dispara a fila de auditoria assim que uma regra de risco é acionada, notifica o auditor e devolve o resultado para a base. É o elo entre enxergar e agir, e ele costuma ser o que falta nas operadoras que já têm dashboard mas continuam com a mesma glosa perdida. Quem quiser entender a plataforma a fundo encontra um panorama no guia de Power Platform.

Uma nota sobre licenciamento, sempre a confirmar na fonte oficial da Microsoft, pois muda. Power BI Pro e Power BI Premium Per User (PPU) são licenças por usuário. Para capacidade dedicada, existem o Power BI Premium (SKUs P1 a P5) e o Microsoft Fabric, anunciado em 2023, que mede consumo em Capacity Units e oferece SKUs de F2 a F2048. O modo Direct Lake do Fabric lê dados diretamente do OneLake, o que interessa a operadoras com volumes muito altos que penam com atualização de grandes modelos. Se Fabric faz sentido para o seu porte é decisão de arquitetura, não de moda, e discuto os critérios no artigo sobre Microsoft Fabric.

Governança e LGPD não são opcionais em saúde#

Dados de saúde são dados pessoais sensíveis pela Lei nº 13.709/2018 (LGPD). Isso não é formalidade: define quem pode ver o quê. A equipe de negociação de rede não precisa ver o CPF nem o diagnóstico individual do beneficiário para comparar custo de prestador. A equipe de saúde populacional precisa da vida identificada para o programa de crônicos, mas com base legal e finalidade claras.

Na prática, isso vira segurança em nível de linha no Power BI, controle de acesso por perfil, anonimização onde a identificação não é necessária e trilha de auditoria de quem acessou o quê. Montar isso depois, com o projeto rodando, é caro e arriscado. Fazer certo desde o desenho é governança de dados aplicada, e o tema tem desdobramentos específicos em governança, LGPD e Power BI.

Por onde começar sem virar um projeto de dois anos#

O erro clássico é querer o data lake completo da operadora antes de entregar valor. Começa grande, atrasa, e a diretoria perde a paciência. A abordagem que funciona é o inverso: escolher uma alavanca com retorno rápido e mensurável, provar o valor e expandir.

Auditoria de contas e combate a glosa costuma ser o melhor ponto de partida, porque o ganho é direto no caixa e o dado do TISS já existe. A sequência prática:

1. Discovery focado. Mapear onde está o dado, em que qualidade, e qual alavanca tem o maior retorno no seu contexto. Um discovery e assessment curto evita meses de retrabalho.
2. Ingestão e modelagem da fonte prioritária. Trazer contas médicas e utilização para um modelo confiável, não uma extração ad hoc.
3. Painel operacional, não só executivo. Quem audita e quem negocia rede precisa da ferramenta, não apenas o CEO no fim do mês.
4. Ação via Power Platform. Fechar o ciclo entre detectar e agir.
5. Expansão para as demais alavancas com a base já construída.

Nada disso exige começar do zero em infraestrutura se a operadora já tem Microsoft 365. E se o time interno for enxuto, faz mais sentido acelerar com Power BI sob consultoria do que aprender tudo tropeçando na primeira base de milhões de linhas.

Perguntas frequentes#

Qual a diferença entre reduzir sinistralidade e apenas cortar custos?

Cortar custo é reduzir rede, negar procedimento e reajustar. Funciona no curto prazo e degrada a carteira: quem pode sai, quem fica é quem mais usa, e a sinistralidade piora depois. Reduzir sinistralidade com dados é atacar a causa, evento evitável, glosa perdida e prestador ineficiente, mantendo ou melhorando o cuidado. É mais lento e muito mais sustentável.

Preciso de Microsoft Fabric ou o Power BI resolve?

Para a grande maioria das operadoras de pequeno e médio porte, um Power BI bem modelado sobre uma base de dados organizada resolve. Fabric faz sentido quando os volumes de contas e autorizações são muito altos e a atualização dos modelos vira gargalo, ou quando você quer unificar engenharia e análise numa plataforma só. É decisão de arquitetura e custo, a confirmar nos preços oficiais da Microsoft, não de tendência.

Quanto tempo até ver resultado na sinistralidade?

O painel de auditoria e glosa tende a mostrar ganho em semanas, porque atua sobre contas que já estão entrando. Alavancas como gestão de crônicos e desenho de coparticipação têm efeito no médio prazo, porque dependem de mudança de comportamento e de ciclos assistenciais. O caminho realista é resultado rápido em glosa financiando os projetos de maior impacto estrutural.

Como fica a LGPD com dados de saúde dos beneficiários?

Dados de saúde são sensíveis pela Lei nº 13.709/2018 e exigem base legal, finalidade definida e controle de acesso rigoroso. Na prática, isso significa segurança em nível de linha, anonimização onde a identificação não for necessária e trilha de auditoria. É perfeitamente compatível com análise de dados, desde que a governança seja parte do desenho e não um remendo posterior.

Nossos dados do TISS estão bagunçados. Dá para começar mesmo assim?

Sim, e é o cenário normal, não a exceção. Preenchimento inconsistente de prestador, lotes com erro e terminologia divergente são a regra. O trabalho de engenharia de dados existe justamente para tratar isso e construir uma camada confiável. O discovery inicial serve para dimensionar esse esforço antes de prometer prazo.

Vale a pena montar equipe interna ou contratar consultoria?

Depende da maturidade. Se você já tem analistas de dados que dominam modelagem e o padrão TISS, faça interno com apoio pontual. Se o time é enxuto ou nunca lidou com bases desse volume, consultoria acelera e evita os erros caros de modelagem que só aparecem meses depois. O melhor arranjo costuma ser híbrido: consultoria constrói a base e capacita o time interno para sustentar.

O próximo passo#

Reduzir sinistralidade com análise de dados não é comprar uma ferramenta, é organizar a origem do dado, medir com granularidade e fechar o ciclo entre enxergar e agir. Operadoras que fazem isso param de descobrir o problema no fechamento e passam a antecipá-lo. Se você quer sair do dashboard bonito que ninguém usa para uma operação que efetivamente move o índice, fale com a gente.