Resumo Executivo

Autor(a): Carolina Lima Gomes — Orientador(a): Arthur Damasceno Vicente

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

Esta pesquisa investiga, por meio de uma simulação com dados sintéticos, como ferramentas visuais colaborativas e a metodologia de data thinking otimizam a tomada de decisão orientada por dados. O estudo responde à questão de como essas abordagens integradas podem conectar a complexidade dos dados brutos à clareza necessária para decisões estratégicas no cenário de transformação digital. A investigação propõe um fluxo de trabalho replicável que estrutura a análise e promove uma cultura de colaboração e governança, elementos cruciais para uma mentalidade data-driven. A premissa é que a superação dos desafios no uso de dados reside na implementação de processos que tornem os insights acessíveis, interpretáveis e acionáveis para equipes multidisciplinares.

O ambiente de negócios moderno, caracterizado pela instabilidade descrita por conceitos como a “sociedade líquida” de Bauman (2001) e o acrônimo VUCA (Whiteman, 1998), impulsionou a Transformação Digital (TD) como estratégia de sobrevivência (McKinsey & Company, 2022). Contudo, a coleta massiva de dados não garante vantagem competitiva. O diferencial reside na capacidade de transformar dados em inteligência acionável, o que exige uma cultura organizacional que promova a tomada de decisão baseada em dados (data-driven decision-making – DDDM).

A prática de DDDM oferece benefícios como aumento do engajamento, otimização da retenção de clientes, planejamentos eficazes, posturas proativas e mitigação de vieses cognitivos (IBM, 2024). Apesar de sua importância, e do fato de 90% das organizações estarem em alguma fase de TD, muitas empresas enfrentam barreiras para consolidar uma cultura data-driven. Existe uma lacuna entre a capacidade de coletar dados e a habilidade de aplicá-los estrategicamente, refletindo limitações na capacitação profissional e na maturidade da governança de dados (McKinsey & Company, 2024; IBM, 2023).

Estudos recentes corroboram essa percepção. Um levantamento da IBM (2023) revelou que CEOs consideram dados internos a principal fonte para decisões, mas relatam dificuldade em extrair insights. O The Data Warehouse Institute (TDWI) aponta que muitas organizações operam com estruturas analíticas fragmentadas, sem integração entre dados, processos e pessoas (Halper, 2023). Essa defasagem compromete o potencial competitivo, pois as empresas não conseguem converter seus repositórios de informação em valor de negócio (Côrte-Real, 2022). Nesse cenário, abordagens como o data thinking, que integram ferramentas visuais e processos colaborativos, ganham relevância ao facilitar a comunicação e o alinhamento entre áreas com diferentes níveis de letramento em dados (Dias et al., 2022).

O data thinking deriva do design thinking, uma abordagem sistêmica e centrada no ser humano para a resolução de problemas complexos que valoriza empatia, colaboração e experimentação (McKinsey & Company, 2023). O processo iterativo do design thinking serviu de base para o data thinking, que mantém a centralidade no usuário, mas posiciona os dados como princípio fundamental para a compreensão e resolução de um problema, integrando a análise de dados em todas as etapas do projeto (Kronsbein e Mueller, 2019). Assim, o data thinking emerge como uma metodologia estruturada para traduzir dados em ações estratégicas de forma colaborativa.

A metodologia foi um estudo de caso simulado, utilizando o banco de dados sintético “Sales and Satisfaction” da plataforma Kaggle (Mahmoudi, 2023). O dataset simula a relação entre desempenho de vendas e satisfação do consumidor após uma intervenção. A base de dados contém variáveis categóricas (grupo de tratamento/controle, segmento de cliente) e numéricas (vendas e satisfação antes e depois). O dataset passou por um pré-tratamento para remoção de valores ausentes e padronização. A escolha por dados sintéticos permitiu um experimento controlado e reprodutível, livre de restrições éticas. Suas limitações incluem a ausência de ruídos e variáveis comportamentais complexas, o que impede a generalização direta dos achados para contextos reais sem validação com dados históricos e testes A/B.

Para estruturar a análise, foram adotadas duas ferramentas visuais. A primeira, o Esquema de Classificação de Dados (Kayser, et al., 2019), cria uma compreensão compartilhada sobre as informações disponíveis, classificando-as por dimensões como fonte, tipo e sensibilidade. A segunda, o Modelo de Data Thinking, uma adaptação do método do Duplo Diamante (Design Council, 2025) pelo CRIE/UFRJ, estrutura a análise em cinco etapas: (1) Perguntar, (2) Pesquisar, (3) Analisar e combinar, (4) Visualizar e Comunicar, e (5) Decidir e Implementar (Dias, et al., 2022). A combinação das ferramentas cria um fluxo de trabalho onde o Esquema de Classificação organiza os dados e o Modelo de Data Thinking orienta sua transformação em decisões.

O processo analítico, guiado pelo Modelo de Data Thinking, partiu da pergunta: “A intervenção teve resultados positivos para a empresa?”. A abordagem combinou análise estatística e modelagem de uplift (aprendizado de máquina) em Python no Google Colab. A análise estatística incluiu análise exploratória de dados (EDA) e testes de hipóteses sobre o impacto da intervenção na conversão, vendas e satisfação. A análise de aprendizado de máquina focou na modelagem de uplift, que estima o efeito incremental de uma intervenção em nível individual (Sun, et al., 2025). Foi utilizada a abordagem T-Learner, que treina dois modelos de árvore de decisão, escolhida por sua alta interpretabilidade (Rößler e Schoder, 2022).

Para conectar os achados a decisões de negócio, foi aplicado um quadro de elementos de decisão que articula componentes modernos (Dados e Analytics) com elementos clássicos do processo decisório, sustentados por colaboração e governança (Bhushan, et al., 2024). A avaliação da abordagem foi qualitativa (capacidade das ferramentas de organizar o raciocínio) e quantitativa. O desempenho do modelo de uplift foi medido pela Curva Qini e pela métrica AUUC (Area Under the Uplift Curve). Adicionalmente, uma simulação de Retorno sobre o Investimento (ROI) ex-ante, com margem bruta de 30% e custo de R$15,00 por cliente, avaliou a viabilidade econômica da intervenção.

A aplicação do Esquema de Classificação de Dados estruturou a compreensão do dataset, classificando-o como de fonte pública (Kaggle), formato tabular, alta disponibilidade, conteúdo misto, baixa sensibilidade e destinado a analistas e gestores. O Modelo de Data Thinking guiou o fluxo de trabalho: a etapa “Perguntar” definiu a questão central; “Pesquisar” confirmou o uso do dataset; “Analisar e combinar” direcionou as análises; “Visualizar e Comunicar” foi cumprida com gráficos; e “Decidir e Implementar” foi apoiada pelo quadro de decisão e simulação de ROI.

A análise estatística exploratória revelou 10.000 observações, com distribuição equilibrada entre o grupo de Controle (5.013) e Tratamento (4.987). A taxa de conversão mostrou um impacto global mínimo da intervenção, com apenas seis conversões a mais no grupo de Tratamento. Contraintuitivamente, o segmento com maior conversão foi o de clientes de baixo valor do grupo de Controle. A análise das variáveis numéricas, contudo, revelou um cenário diferente. A variação média de vendas (SalesDelta) foi significativamente maior no grupo de Tratamento (aumento médio de 113 unidades monetárias) contra o Controle (aumento de 40), indicando um forte impacto positivo na receita. A satisfação do cliente (CSATDelta) teve um leve aumento em ambos os grupos, sem diferença expressiva entre eles.

A análise segmentada revelou uma notável heterogeneidade de efeitos. Clientes de Alto Valor (High Value) registraram os maiores volumes de vendas, mas o menor aumento na satisfação. Clientes de Baixo Valor (Low Value), embora com vendas menores, mostraram evolução positiva consistente em vendas e satisfação. Esses resultados demonstram que a eficácia da intervenção varia conforme o perfil do cliente, reforçando a necessidade de estratégias personalizadas em vez de abordagens massificadas.

A análise de aprendizado de máquina aprofundou a compreensão do efeito causal individual. O modelo T-Learner classificou os clientes em Persuadíveis, Sensíveis e Indiferentes. O segmento de Médio Valor (Medium Value) continha a maior proporção de clientes Indiferentes (49%), explicando por que muitas de suas compras teriam ocorrido sem a intervenção. O segmento de Alto Valor apresentou uma proporção significativa de clientes Sensíveis, indicando que a intervenção poderia ser prejudicial para quase metade desse grupo. As árvores de decisão destacaram a variável “Sales_Before” como o preditor mais importante.

A avaliação de desempenho do modelo de uplift, no entanto, trouxe um resultado crítico. As métricas Qini (-0.0117) e AUUC (-0.0150) foram negativas, indicando que o modelo não conseguiu ordenar os clientes de forma eficaz segundo seu potencial de ganho incremental. Na prática, tal modelo levaria a uma alocação ineficiente de recursos. Esse resultado, embora preditivamente desapontador, é esperado em datasets sintéticos com efeitos difusos. Em um contexto real, seria imperativo aprimorar a modelagem antes de seu uso em produção.

A simulação de ROI ex-ante mostrou que, ao direcionar a intervenção para os 10% dos clientes com maior uplift previsto, o ROI seria de 0.673. À medida que mais clientes eram incluídos, o ROI diminuía, estabilizando-se em torno de 0.47 a 0.5. Este resultado reforça que campanhas direcionadas são mais eficientes. Contudo, dado o desempenho negativo do modelo de uplift, essas estimativas de ROI devem ser interpretadas com extrema cautela, servindo mais como um exercício de cenário.

A aplicação do quadro de decisão sintetizou as análises para responder à pergunta central. A intervenção teve um resultado positivo? A resposta depende do objetivo de negócio. Se o objetivo era aumentar a receita, a resposta é afirmativa. Se era aumentar a taxa de conversão, a intervenção foi ineficaz. O processo demonstrou que a decisão de escalar a intervenção deve ser alinhada aos objetivos estratégicos, e que uma visão holística, combinando múltiplas análises, é superior a uma baseada em métrica única.

O Modelo de Data Thinking e o Esquema de Classificação de Dados foram fundamentais para o processo. As ferramentas visuais organizaram o raciocínio, promoveram a transparência e facilitaram a comunicação dos resultados. O Esquema fortaleceu a governança de dados, enquanto o Modelo de Data Thinking garantiu que os insights estivessem conectados ao problema de negócio, convertendo inteligência analítica em valor para a organização.

Em conclusão, este estudo demonstra que a adoção de ferramentas visuais e da metodologia de data thinking pode reduzir a distância entre a análise de dados e a tomada de decisão estratégica. No caso simulado, a intervenção foi eficaz para elevar as vendas, mas inócua para a conversão, com efeitos heterogêneos entre segmentos. A recomendação de política depende do objetivo estratégico priorizado, sendo aconselhável para metas de receita, mas não para conversão. O processo proposto oferece um roteiro para tomar decisões melhores: identificar a pergunta de negócio, qualificar os dados, analisar com transparência, comunicar os achados e traduzir insights em políticas segmentadas.

Para a operacionalização em contextos reais, é crucial aprimorar a modelagem preditiva, enriquecer o banco de dados com variáveis mais robustas e validar políticas por meio de testes A/B controlados. A jornada para uma cultura data-driven é contínua e exige processos, colaboração e uma mentalidade que coloque os dados no centro da estratégia. Conclui-se que o objetivo foi atingido: demonstrou-se como a aplicação de ferramentas visuais e do método de data thinking pode facilitar o processo de decisão orientada por dados em ambientes corporativos, traduzindo análises complexas em políticas acionáveis.

Referências:
Bauman, Z. 2001. Modernidade líquida. v.1. Zahar, Rio de Janeiro, RJ, Brasil.
Bhushan, A.; Lakshmi, G.; Dhivya, S.; Brojabasi, S.; Sammer S.; Usman, A. 2024. Data-Driven Decision-Making: Leveraging Analytics for Performance Improvement. Journal of Informatics Education and Research. v.4.
Côrte-Real, N. 2022. Big Data & Analytics: O poder de transformar dados em inteligência artificial e o impacto na competitividade empresarial. v.1. Influência, Lisboa, Portugal.
Design Council. 2025. The double diamond. Disponível em: < https://www. designcouncil. org. uk/our-resources/the-double-diamond/>. Acesso em: 22 mar. 2025.
Dias, E.; Thurler, L.; Macedo, V.; Bello, A.; Cavalcanti, M. 2022. Data Thinking: uma proposta metodológica para se pensar a partir de dados. Revista Inteligência Empresarial 46.
Halper, F. 2023. TDWI Analytics Maturity Model Assessment Guide. Disponível em: <https://tdwi. org/Research/2023/03/PPM-ALL-TDWI-Analytics-Maturity-Model-Guide. aspx? tc=assetpg>. Acesso em: 22 mar. 2025.
International Business Machines [IBM]. 2023. CEO decision making in the age of AI, Act with intention. Disponível em: <https://www. ibm. com/thought-leadership/institute-business-value/en-us/c-suite-study/ceo >. Acesso em: 9 mar. 2025.
International Business Machines [IBM]. 2024. What Is Data-Driven Decision-Making? Disponível em: <https://www. ibm. com/think/topics/data-driven-decision-making>. Acesso em: 9 mar. 2025.
Kayser, L.; Mueller, R.; Kronsbein,T. 2019. A canvas for shared data awareness in data-driven innovation projects. Pre-ICIS SIGDSA Symposium 18.
Kronsbein, T; Mueller, R. 2019. Data thinking: a canvas for data-driven ideation workshops. Hawaii International Conference on System Sciences 52.
Mahmoudi, M. 2023. Sales and Satisfaction [Kaggle dataset]. Disponível em: <https://www. kaggle. com/datasets/matinmahmoudi/sales-and-satisfaction>. Acesso em: 9 mar. 2025
McKinsey & Company. 2022. It is time to become a digital investing organization. Disponível em: <https://www. mckinsey. com/capabilities/mckinsey-digital/our-insights/its-time-to-become-a-digital-investing-organization>. Acesso em: 9 mar. 2025.
McKinsey & Company. 2023. How to solve problems with design thinking. Disponível em: < https://www. mckinsey. com/featured-insights/mckinsey-guide-to-problem-solving/how-to-solve-problems-with-design-thinking>. Acesso em: 30 ago. 2025.
McKinsey & Company. 2024. What is digital transformation? Disponível em: <https://www. mckinsey. com/featured-insights/mckinsey-explainers/what-is-digital-transformation>. Acesso em: 9 mar. 2025.
Rößler, J.; Schoder, D. 2022. Bridging the gap: A systematic benchmarking of uplift modeling and heterogeneous treatment effects methods. Journal of Interactive Marketing, 57, 1–21.
Sun, Z.; Han, Q.; Zhu, M.; Gong, H.; Liu, D.; Ma, C. 2025. Robust Uplift Modeling with Large-Scale Contexts for Real-Time Marketing. Cornell University.
Whiteman, L. 1998. USAWC Strategy Research Project. Training and Educating Army Officers for the 21st Century: Implications for

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:}