Resumo Executivo

Alexandre Elias dos Santos; Ricardo Francisco Esposto

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Esta pesquisa desenvolveu e aplicou um modelo de apoio à decisão, baseado no método Analytic Hierarchy Process (AHP), para priorizar incidentes críticos em canais digitais de uma grande instituição financeira. O objetivo foi criar uma ferramenta sistemática para classificar falhas tecnológicas com base em múltiplos critérios, substituindo abordagens subjetivas por um processo estruturado que alinha as ações de TI aos objetivos de negócio. O estudo validou a eficácia do AHP em um ambiente corporativo real, utilizando dados de incidentes e o julgamento de especialistas para ponderar os fatores de impacto, otimizando a alocação de recursos e minimizando impactos adversos sobre clientes, operações e a reputação da instituição.

O ambiente de negócios contemporâneo, volátil e complexo (VUCA), foi intensificado pela pandemia de COVID-19, que catalisou a transformação digital global (Szász et al., 2022). O setor financeiro acelerou a adoção de canais digitais, consolidando internet banking e aplicativos móveis como a principal interface com clientes. Essa migração ampliou a exposição a riscos operacionais e cibernéticos (Hoque & Le, 2024), tornando a dependência desses canais crítica; qualquer indisponibilidade, mesmo breve, pode gerar consequências severas.

Falhas em plataformas bancárias digitais ameaçam a continuidade dos negócios, paralisando transações como pagamentos e transferências, o que resulta em perdas financeiras e frustração de clientes (Saputra et al., 2022). O dano reputacional pode ser duradouro, minando a confiança, atraindo cobertura negativa da mídia e, em casos extremos, levando a sanções regulatórias (La Torre et al., 2018). Para grandes instituições financeiras, que atendem milhões de clientes, a gestão eficaz de incidentes é um imperativo estratégico para a sustentabilidade do negócio.

Apesar da criticidade, a priorização de incidentes em muitas organizações é reativa e baseada em julgamentos subjetivos, que não capturam a complexidade de cada falha. Essa lacuna metodológica dificulta a alocação de equipes e amplifica os riscos financeiros e reputacionais. Uma priorização eficaz exige a consideração simultânea de múltiplos fatores, como número de usuários afetados, impacto financeiro, criticidade funcional do serviço, risco de exposição na mídia e momento da ocorrência (Costa & Almeida, 2021). A natureza multicritério do problema demanda um modelo estruturado, transparente e alinhado às estratégias da organização.

Nesse contexto, o método Analytic Hierarchy Process (AHP), desenvolvido por Thomas L. Saaty, é uma ferramenta adequada. O AHP decompõe problemas de decisão complexos em uma estrutura hierárquica, permitindo a avaliação sistemática de critérios e alternativas por meio de comparações par a par (Saaty & Vargas, 2001). A escolha do AHP se justifica por sua eficácia em cenários complexos, sua flexibilidade para incorporar dados quantitativos e julgamentos qualitativos, e seu mecanismo de verificação da consistência lógica das avaliações, garantindo maior confiabilidade ao processo (Jantscher et al., 2015). O modelo desenvolvido visa fornecer um suporte decisório prático para a gestão de crises digitais no setor bancário.

O estudo utilizou uma abordagem de pesquisa aplicada para solucionar um problema prático de uma instituição financeira. O delineamento combina características exploratórias e descritivas com uma abordagem quantitativa baseada no AHP. A base de dados foi composta por registros de incidentes reais do sistema corporativo, abrangendo fevereiro e março de 2025. Para garantir a confidencialidade, todos os dados foram rigorosamente anonimizados e mascarados, removendo identificadores sensíveis.

Para complementar os dados e alinhar o modelo à realidade operacional, foram realizadas entrevistas semiestruturadas com nove profissionais-chave (três gerentes, quatro especialistas técnicos, dois analistas sênior) em abril de 2025. O objetivo foi validar os critérios de decisão propostos e capturar a expertise dos envolvidos na gestão dos canais digitais. O roteiro das entrevistas baseou-se nos protocolos de resposta a incidentes da área de operações de TI, que utiliza ferramentas de monitoramento em tempo real para detectar anomalias como taxas de erro e indisponibilidade. A combinação de dados históricos e conhecimento especializado conferiu robustez ao modelo.

A metodologia se baseia no Analytic Hierarchy Process (AHP), que estrutura problemas em uma hierarquia de objetivo, critérios e alternativas, quantificando a importância relativa de cada elemento por meio de comparações par a par (Saaty, 1980). O método utiliza a teoria de autovetores para derivar um vetor de prioridades a partir de uma matriz de julgamentos, empregando a escala fundamental de Saaty (1 a 9) para converter julgamentos subjetivos em valores numéricos. O processo envolve a construção de matrizes de comparação, o cálculo do autovetor principal (pesos dos critérios) e a verificação da consistência (Saaty & Vargas, 2001).

Um pilar do AHP é a análise de consistência, que mede a coerência lógica dos julgamentos. A Razão de Consistência (CR) é o indicador utilizado, sendo um valor igual ou inferior a 0,10 (10%) considerado aceitável (Gomes & Araya, 2004; Vargas, 2010). Se o CR excede esse limiar, recomenda-se a revisão das comparações. O modelo foi implementado em Python 3.11.7 com as bibliotecas NumPy e Pandas, escolhidas por sua flexibilidade e poder computacional, garantindo a replicabilidade do modelo em outros contextos.

A aplicação do AHP iniciou-se com a definição do objetivo: “priorização de atendimento a incidentes críticos”. Foram estabelecidos cinco critérios, validados com especialistas: Volume de Usuários Impactados (VUI), Impacto Financeiro Estimado (IFI), Criticidade Funcional do Serviço/Canal (CFS), Horário da Ocorrência (HO) e Risco Reputacional/Exposição à Mídia (RRM). As alternativas foram um conjunto de dez incidentes reais e diversificados (indisponibilidade de pagamentos, lentidão, exposição de dados) que aguardavam tratamento, representando um cenário autêntico de tomada de decisão.

Na etapa seguinte, os nove especialistas realizaram comparações par a par entre os cinco critérios, utilizando a escala de Saaty (1980). Os julgamentos individuais foram agregados em uma matriz consolidada por meio da média geométrica, método recomendado por minimizar o impacto de avaliações extremas (Gomes & Araya, 2004). A partir dessa matriz, calculou-se o vetor de prioridades, que representa os pesos de cada critério na decisão, fornecendo uma visão quantitativa sobre as prioridades estratégicas da organização.

O cálculo do vetor de prioridades revelou a seguinte ordem de importância: Impacto Financeiro Estimado (IFI) com 42,47%, Criticidade Funcional do Serviço (CFS) com 25,78%, Volume de Usuários Impactados (VUI) com 14,59%, Risco Reputacional (RRM) com 10,08%, e Horário da Ocorrência (HO) com 7,08%. O resultado indica que a priorização é estrategicamente orientada a mitigar perdas financeiras e proteger serviços essenciais. A análise de consistência resultou em uma Razão de Consistência (CR) de 0,0072, valor significativamente inferior ao limite de 0,10, o que confere alta confiabilidade e validade matemática aos pesos obtidos (Saaty & Vargas, 2013).

Com os pesos definidos, construiu-se a Matriz de Decisão, avaliando cada um dos dez incidentes (alternativas) em relação aos cinco critérios, com dados extraídos dos registros de ocorrências. Para permitir a comparação entre grandezas de diferentes escalas, a matriz foi normalizada. Por fim, o processo de agregação foi realizado multiplicando a matriz de decisão normalizada pelo vetor de prioridades dos critérios. A soma ponderada dos valores para cada incidente gerou uma pontuação final, permitindo a criação de um ranking de priorização (Oliveira et al., 2020; Santos et al., 2016).

O ranking final dos incidentes refletiu a hierarquia dos critérios. O incidente de maior prioridade (INC03, pontuação 0,7262) foi uma falha no sistema Pix em horário de pico, combinando altíssimo impacto financeiro e criticidade funcional. Em segundo lugar (INC05, pontuação 0,6448) ficou a indisponibilidade do Internet Banking, com criticidade máxima. A terceira posição (INC_08, pontuação 0,6135) foi uma interrupção massiva nos serviços do aplicativo, destacando-se pelo volume de usuários e impacto financeiro. Os resultados demonstram a capacidade do modelo de priorizar incidentes com risco sistêmico para a operação.

Em contrapartida, incidentes com menor impacto financeiro e funcional foram classificados em posições inferiores, como erros na visualização do extrato (INC06, pontuação 0,3911) e problemas na página de “Ajuda” (INC02, pontuação 0,1849). Este último, apesar de impactar muitos usuários, não comprometia serviços críticos, justificando sua baixa prioridade. Um caso notável foi a exposição de dados de um cliente VIP (INC_09), que recebeu uma pontuação intermediária (0, 3863) devido ao seu altíssimo risco reputacional, mesmo afetando um único usuário, mostrando a sensibilidade do modelo a diferentes dimensões de risco.

A discussão dos resultados evidencia que o AHP proporcionou um processo de decisão estruturado e transparente, alinhado aos objetivos da instituição, transformando um problema complexo em um ranking justificável e reduzindo a subjetividade dos gestores (Vargas, 2010). A dominância dos critérios de Impacto Financeiro e Criticidade Funcional sobre o Volume de Usuários revela uma maturidade na gestão de riscos da organização, que compreende que o impacto real de um incidente não é sempre proporcional ao número de clientes afetados.

A aplicação prática demonstrou a capacidade do modelo de equilibrar critérios distintos, combinando dados quantitativos (valores, contagens) com avaliações qualitativas (criticidade, risco reputacional). Essa flexibilidade do AHP permite incorporar a expertise dos especialistas, algo que modelos puramente quantitativos não capturam (Soares et al., 2021; Silva et al., 2020). O modelo não apenas ordena incidentes, mas oferece uma visão sistêmica dos trade-offs envolvidos, mostrando-se um instrumento de gestão estratégica de crises digitais que aumenta a capacidade da instituição de responder de forma rápida e eficaz.

Em conclusão, o estudo demonstrou a eficácia do método AHP para a priorização de incidentes críticos em canais digitais de uma instituição financeira. A metodologia permitiu criar um modelo robusto e objetivo, integrando múltiplos critérios quantitativos e qualitativos. Os resultados confirmaram que o impacto financeiro e a criticidade funcional são os fatores preponderantes, refletindo uma orientação estratégica para a proteção de ativos e a continuidade de serviços essenciais. A implementação em Python reforça sua viabilidade prática, oferecendo um instrumento para decisões mais racionais, transparentes e alinhadas ao impacto real no negócio.

A pesquisa contribui para a literatura sobre apoio multicritério à decisão no setor financeiro e oferece uma solução prática para um desafio gerencial. A eficácia do modelo depende da qualidade dos critérios e da consistência dos julgamentos dos especialistas. Pesquisas futuras poderiam explorar a inclusão de novas variáveis, como satisfação do cliente ou conformidade regulatória, e a integração do AHP com inteligência artificial para automatizar o processo. Conclui-se que o objetivo foi atingido: demonstrou-se que a aplicação do método Analytic Hierarchy Process (AHP) constitui uma ferramenta robusta e eficaz para a priorização de incidentes em canais digitais, proporcionando um ranking estruturado que alinha a resposta operacional aos objetivos estratégicos da instituição financeira.

Referências:
COSTA, H. G.; ALMEIDA, A. T. Decision Support Systems for Project Selection: A Case Study in a Brazilian Petrochemical Company. International Journal of Information Technology & Decision Making, Singapore, v. 20, n. 3, p. 385-410, maio 2021.
GOMES, Luiz Flavio Autran Monteiro; ARAYA, Marcela Cecilia González; CARIGNANO, Claudia. Tomada de decisões em cenários complexos: Introdução aos métodos discretos do apoio multicritério à decisão. São Paulo: Pioneira Thomson Learning, 2004.
HOQUE, Mohammad Riad; LE, An H. The rise of digital banking and its impact on operational and cyber risks. Journal of Financial Services Marketing, London, v. 29, n. 2, p. 164-177, abr. 2024.
JANTSCHER, Daniel; PANDIA, Pranav; SURI, Mohan. Incident Prioritizer: AHP in an IT Incident Management System. International Journal of the Analytic Hierarchy Process, [S. l.], v. 7, n. 1, p. 64-81, jan. 2015.
KOTLER, Philip; KELLER, Kevin Lane. Marketing Management. 14. ed. Upper Saddle River, New Jersey: Pearson Prentice Hall, 2012.
LA TORRE, Maurizio; LEGNANTE, M.; LEPRI, T. The impact of operational risk on bank reputation: empirical evidence from Europe. Journal of Risk Management in Financial Institutions, London, v. 11, n. 2, p. 182-192, jan. 2018.
OLIVEIRA, R. F. C. de; PEREIRA, D. A.; LIMA, P. A. B. de. Aplicação do AHP na avaliação de fornecedores de serviços logísticos: um estudo de caso. Research, Society and Development, Vargem Grande Paulista, v. 9, n. 11, e969119934, 2020.
PAPATHANASIOU, Jason; PLOSKAS, Nikolaos. Applied Multicriteria Decision Analysis in Real-Life Problems. London: Springer, 2018.
SAATY, Thomas L. The Analytic Hierarchy Process. New York: McGraw-Hill, 1980.
SAATY, Thomas L.; VARGAS, Luis G. Decision Making with the Analytic Hierarchy Process: Why and How it Works. Pittsburgh: RWS Publications, 2013.
SAATY, Thomas L.; VARGAS, Luis G. Models, Methods, Concepts & Applications of the Analytic Hierarchy Process. Boston: Kluwer Academic Publishers, 2001.
SANTOS, M.; SILVA, A. M. T.; LIMA, I. C.; DIAS, F. C.; MARTINS, E. R. Application of AHP Method in the Formation of a Performance Indicator for Operational Level. International Journal of Development Research, [S. l.], v. 6, n. 12, p. 10610-10615, dez. 2016.
SAPUTRA, Aristo R.; MAULANI, G. H.; ZAHARA, R. Digital Banking Implementation and Its Impact on Operational Risk and Business Continuity During the Covid-19 Pandemic. Jurnal Ekonomi dan Bisnis Islam, [S. l.], v. 7, n. 2, p. 280-290, dez. 2022.
SILVA, Alex P. da; LIMA, D. A.; LOPES, A. L. M. Prioritization of IT incidents using multicriteria decision analysis. International Journal of Productivity and Quality Management, Geneve, v. 29, n. 4, p. 433-448, 2020.
SOARES, L. M. B.; SANTOS, M.; GOMES, A. E. S. Quadro para tomada de decisões estratégicas e o método AHP Gaussiano: uma abordagem multi-metodológica na seleção de um modelo de aeronave cargueira de grande porte para a Força Aérea Brasileira. In: SIMPÓSIO DE EXCELÊNCIA EM GESTÃO E TECNOLOGIA, 18., 2021, Resende, RJ. Anais […] Resende, RJ: [s. n.], 2021. p. s/n.
SZÁSZ, Lilla et al. The impact of COVID-19 on the evolution of online retail: The pandemic as a window of opportunity. Journal of Retailing and Consumer Services, Oxford, v. 69, art. 103089, nov. 2022.
VARGAS, Luis G. The Analytic Hierarchy Process and its applications. In: COCCOLI, Carlo; MANETTI, Roberto (ed.). Decision Making and Knowledge Discovery in Management. Berlin, Heidelberg: Springer, 2010. p. 1-28.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

Saiba mais sobre o curso, clique aqui.