Resumo Executivo

Ana Clara Silva Andrade; Fernando Celso de Campos

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

O objetivo deste trabalho é desenvolver um painel gerencial (dashboard) para sistematizar e visualizar dados de seguros de automóveis, facilitando a tomada de decisão orientada por dados na área de precificação. A pesquisa se justifica pela crescente complexidade do mercado segurador brasileiro, que demanda análises ágeis para a formulação de estratégias competitivas. A proposta central é transformar dados brutos de fontes públicas e setoriais em um instrumento analítico interativo para identificar padrões de sinistralidade, avaliar tendências de risco e monitorar indicadores-chave de desempenho (KPIs) de forma intuitiva. A ferramenta desenvolvida busca preencher a lacuna entre a coleta de dados e sua aplicação prática, oferecendo aos gestores um recurso para explorar hipóteses, validar premissas e ajustar políticas tarifárias com base em evidências.

O mercado de seguros de automóveis no Brasil apresenta crescimento contínuo, impulsionado pelo aumento da frota e pela maior percepção de risco dos consumidores. Relatórios da Superintendência de Seguros Privados (SUSEP, 2024) indicam aumento na arrecadação de prêmios, refletindo a importância do setor. Nesse cenário competitivo, a diferenciação reside na capacidade das seguradoras de precificar riscos com precisão. A análise de dados emerge como pilar estratégico, permitindo a adoção de modelos mais dinâmicos e personalizados (Escola DNC, 2024). A capacidade de processar informações sobre sinistros, perfis de condutores, veículos e contextos geográficos torna-se um diferencial decisivo.

A utilização de Ciência de Dados e Business Intelligence (BI) é indispensável. Ferramentas como SQL Server® para manipulação de dados e MS-Power BI® para visualizações interativas são essenciais para transformar dados brutos em conhecimento acionável (Ferrari & Russo, 2019). Essa abordagem permite identificar padrões e tendências que influenciam a sinistralidade. A análise de dados aprimora a acurácia na avaliação de riscos e capacita as seguradoras a otimizar ofertas, ajustar preços e garantir a sustentabilidade de suas carteiras em um mercado orientado por dados (IBM, 2024).

A visualização de dados desempenha um papel transformador ao traduzir análises complexas em insights compreensíveis. A habilidade de apresentar informações de maneira intuitiva, como defendido por Knaflic (2015) em sua abordagem de “storytelling with data”, permite que as equipes compreendam rapidamente as tendências do mercado. Essa clareza promove uma tomada de decisão mais informada e alinhada aos objetivos estratégicos. A transparência gerada por dashboards pode fortalecer a confiança dos segurados, que percebem uma precificação mais justa. A capacidade de transformar dados em narrativas visuais eficazes torna-se uma vantagem competitiva crucial (Few, 2006).

A análise de dados também permite a realização de simulações e a construção de modelos preditivos. Utilizando dados históricos para simular cenários de sinistralidade, as seguradoras podem se preparar para variações no mercado, como flutuações econômicas ou mudanças no comportamento dos motoristas (Lopes, 2018). Essa capacidade de antecipação é vital para a sustentabilidade do negócio. Adicionalmente, a análise pode revelar nichos de mercado subexplorados ou segmentos de clientes com perfis de risco distintos, permitindo o desenvolvimento de produtos inovadores com base em evidências, em vez de depender apenas da intuição.

A metodologia foi estruturada em quatro etapas. A primeira foi a definição do escopo de análise, estabelecendo critérios temporais, causais e categoriais para a seleção dos dados de sinistros. A segunda envolveu a identificação das fontes de dados, selecionando repositórios públicos e setoriais. A terceira etapa centrou-se na sistematização e integração da base de dados em SQL Server®, utilizando processos de extração, transformação e carga (ETL), limpeza e enriquecimento. A quarta etapa culminou no desenvolvimento do painel gerencial em MS-Power BI®; os dados foram modelados e apresentados por meio de visualizações interativas.

As fontes de dados foram selecionadas para compor uma visão multifacetada do risco. A base principal proveio da Superintendência de Seguros Privados (SUSEP), com registros de sinistros do ramo de automóveis, incluindo variáveis como apólice, cobertura, causa e valor da indenização. Para o enriquecimento contextual, foram utilizados dados do Instituto Brasileiro de Geografia e Estatística (IBGE), como população residente por município e malha municipal, para a normalização das métricas. Uma base nacional de CEPs foi incorporada para a vinculação territorial dos sinistros, exigindo pré-processamento para expandir as faixas de CEP. Relatórios da Associação Nacional de Transportes Públicos (ANTP, 2018) foram utilizados como fonte contextual para qualificar a discussão dos resultados.

O processo de integração e tratamento dos dados foi executado em SQL Server®. Seguindo práticas de modelagem dimensional (Kimball & Ross, 2013), foram criadas tabelas de “staging” para cada fonte, permitindo a validação e limpeza. Esta fase incluiu a padronização de tipos de dados, como a conversão de campos monetários para “DECIMAL”. As variáveis de data foram validadas em seu formato original (AAAAMMDD) e convertidas para o padrão ISO 8601 (AAAA-MM-DD), a partir do qual foram criadas variáveis derivadas como o atraso de desenvolvimento (“DevLag”). O processo também envolveu a limpeza de variáveis categóricas, a deduplicação de registros e a exclusão de variáveis com baixa qualidade de preenchimento, como o sexo do segurado, para evitar vieses.

A construção do “dataset” analítico seguiu os critérios de escopo definidos. O recorte temporal foi implementado para isolar ocorrências de 2018 e 2019. A seleção das causas de sinistro (colisão parcial, colisão com indenização integral e furto) foi realizada via filtragem. Uma análise exploratória revelou uma concentração de 69,88% das ocorrências na categoria “Passeio Nacional”, que foi removida para permitir uma análise comparativa mais equilibrada. Categorias com participação inferior a 1% e registros sem informação de categoria foram excluídos para reduzir o ruído. Esse refinamento no SQL Server® garantiu que o conjunto de dados exportado para o MS-Power BI® fosse consistente e otimizado para a exploração analítica.

Após a importação dos dados para o MS-Power BI®, foi estabelecido um modelo relacional, conectando a tabela de fatos (sinistros) às de dimensão (municípios, população) para garantir a integridade dos filtros. Na aba principal do painel, foram posicionados quatro segmentadores de dados (“slicers”) interativos para filtrar por categoria do veículo, cobertura, estado e presença de CEP válido. A opção de seleção múltipla oferece flexibilidade ao analista para combinar critérios e investigar subconjuntos da carteira.

No topo do painel, foram dispostos quatro cartões (KPIs) que fornecem uma síntese dos dados: Indenização Total, Contagem de Sinistros, “Ticket” Médio (razão entre os dois primeiros) e Idade Média Ponderada pela Severidade. A construção desses KPIs foi realizada com medidas em DAX (Data Analysis Expressions), como SUMX, COUNTROWS e DIVIDE, garantindo que os cálculos fossem dinâmicos e respondessem aos filtros. A disposição proeminente desses cartões segue as melhores práticas de design de dashboards (Eckerson, 2010).

A seção central do painel foi dedicada a análises detalhadas em gráficos de barras horizontais. O primeiro conjunto de gráficos segmenta os sinistros por faixas etárias, exibindo a quantidade de ocorrências, a indenização total e a severidade média, permitindo identificar os perfis demográficos de maior risco. O segundo conjunto apresenta uma análise geográfica, exibindo os mesmos três indicadores para os dez municípios com maior relevância, possibilitando a identificação de “hotspots” de sinistralidade que podem exigir ajustes tarifários.

O núcleo atuarial do painel é composto por dois relatórios matriciais formatados como triângulos de “run-off”, um para a contagem de sinistros e outro para a severidade. Essas matrizes cruzam o mês de ocorrência do sinistro com o atraso em meses entre a ocorrência e o aviso, uma técnica clássica na análise de reservas (Wüthrich & Merz, 2019). Uma escala de cores (“heatmap”) destaca visualmente os padrões de desenvolvimento, permitindo a rápida identificação de atrasos de reporte. Os triângulos são interativos e respondem aos filtros globais, permitindo que analistas investiguem padrões de desenvolvimento para segmentos específicos.

A interatividade do painel foi um dos principais resultados, demonstrando a capacidade da ferramenta de suportar análises exploratórias. Ao selecionar uma cobertura específica, como “Furto”, todos os visuais são recalculados instantaneamente. A combinação de filtros, como a análise de “Pick-ups” em um determinado estado, permite comparações diretas. A funcionalidade de filtro cruzado; a seleção de um elemento em um visual filtra todos os outros, aprofunda a capacidade de investigação, permitindo que o usuário navegue pelos dados e descubra relações não triviais.

A análise contextual, embora não integrada ao modelo relacional, enriqueceu a interpretação dos resultados. Utilizando dados do relatório SIMOB/ANTP (ANTP, 2018), foi possível contextualizar os padrões de sinistralidade com as condições de mobilidade urbana e a composição da frota veicular no Brasil durante 2018-2019. Informações sobre divisão modal do transporte e densidade de veículos ajudaram a qualificar as discussões sobre as concentrações geográficas de risco, reforçando a compreensão de que os padrões de sinistros são influenciados por fatores externos.

Em síntese, os resultados demonstram que a integração de dados de sinistros, demografia e mobilidade em um painel interativo é uma ferramenta poderosa para a gestão de precificação. A solução desenvolvida permite a identificação de padrões de frequência, severidade e desenvolvimento de sinistros, fornecendo subsídios para a decisão estratégica. A flexibilidade dos filtros e a clareza das visualizações, alinhadas aos princípios de design de informação (Few, 2006) e storytelling (Knaflic, 2015), transformam dados complexos em conhecimento acionável, fortalecendo a cultura de gestão orientada por dados.

Este trabalho alcançou seu objetivo ao desenvolver um painel gerencial funcional para a precificação de seguros de automóveis, integrando dados de múltiplas fontes em uma plataforma interativa. A metodologia, do tratamento de dados em SQL Server® à construção de visualizações em MS-Power BI®, provou ser eficaz na transformação de dados brutos em insights. Os resultados evidenciaram padrões de sinistralidade, atrasos de reporte e variações de severidade, demonstrando a utilidade da ferramenta. As limitações, como a ausência de dados de exposição, foram reconhecidas, e sugestões para trabalhos futuros incluem a incorporação de métricas de exposição, o aprimoramento da geocodificação e a integração de modelos preditivos.

Conclui-se que o objetivo foi atingido: demonstrou-se que a integração de bases de dados heterogêneas em um painel visual interativo fortalece a capacidade analítica e apoia a tomada de decisão estratégica na precificação de seguros de automóveis. A combinação de técnicas de ciência de dados, modelagem dimensional e visualização de informações resultou em um instrumento reprodutível e de alta utilidade gerencial, que capacita as seguradoras a navegar com maior precisão em um mercado competitivo. A pesquisa reforça a importância de investir em soluções de Business Intelligence para traduzir o potencial dos dados em valor de negócio tangível.

Referências:
AGÊNCIA BRASIL. 2024. Relatório Síntese Mensal: setor cresce 17,3% no primeiro bimestre de 2024. Disponível em: https://agenciagov. ebc. com. br/noticias/202404/relatorio-sintese-mensal-setor-cresce-17-3-no-primeiro-bimestre-de-2024. Acesso em: 12 out. 2024.
ANTP. 2016. Relatório geral 2016 – Sistema de Informações da Mobilidade Urbana da ANTP – SIMOB. Disponível em: https://files. antp. org. br/simob/simob-2016-v6. pdf. Acesso em: 29 ago. 2025.
ANTP. 2018. Relatório 2018 – Sistema de Informações da Mobilidade Urbana da ANTP – SIMOB. Disponível em: https://files. antp. org. br/simob/sistema-de-informacoes-da-mobilidade–simob–2018. pdf. Acesso em: 29 ago. 2025.
CNSEG. 2023. Setor segurador crescerá acima de 10% em 2023 e 2024. Disponível em: https://cnseg. org. br/noticias/c-nseg-setor-segurador-crescera-acima-de-10-em-2023-e-2024. Acesso em: 29 set. 2024.
Eckerson, W. W. 2010. Performance dashboards: measuring, monitoring, and managing your business. John Wiley & Sons.
Escola DNC. 2024. Estratégias de análise de dados para tomada de decisão empresarial. Disponível em: https://www. escoladnc. com. br/blog/estrategias-de-analise-de-dados-para-tomada-de-decisao-empresarial/. Acesso em: 18 out. 2024.
Fávero, L. P.; Belfiore, P. 2017. Manual de Análise de Dados: Estatística e Modelagem Multivariada com Excel®, SPSS® e Stata. Elsevier.
Ferrari, A.; Russo, M. 2019. Introducing Microsoft Power BI. Microsoft Press.
Few, S. 2006. Information Dashboard Design: The Effective Visual Communication of Data. O’Reilly Media.
Fowler, M. 2012. SQL: The Ultimate Beginner’s Guide. Packt Publishing.
Goldmeier, J.; Duggirala, P. 2015. Dashboards for Excel. Pearson Education.
IBM. 2024. O que é tomada de decisões baseada em dados? Disponível em: https://www. ibm. com/br-pt/think/topics/data-driven-decision-making. Acesso em: 18 out. 2024.
Instituto Brasileiro de Geografia e Estatística – IBGE. 2024. Área territorial por município. Disponível em: https://www. ibge. gov. br/geociencias/organizacao-do-territorio/estrutura-territorial/15761-areas-dos-municipios. html. Acesso em: 28 jun. 2025.
Instituto Brasileiro de Geografia e Estatística – IBGE. 2024. Malha municipal – edição 2022. Disponível em: https://www. ibge. gov. br/geociencias/organizacao-do-territorio/malhas-territoriais/15774-malhas. html? edicao=43129&t=acesso-ao-produto. Acesso em: 05 jul. 2024.
Instituto Brasileiro de Geografia e Estatística – IBGE. 2024. Tabela 6579 – População residente por município. Disponível em: https://sidra. ibge. gov. br/tabela/6579. Acesso em: 28 jun. 2025.
Kimball, R.; Ross, M. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. John Wiley & Sons.
Knaflic, C. N. 2015. Storytelling with Data: A Data Visualization Guide for Business Professionals. Wiley.
Lopes, L. P. 2018. Poder Preditivo de Métodos Clássicos e de Statistical Machine Learning na Classificação de Dados Desbalanceados em Seguros. Revista de Finanças e Contabilidade da UNIMEP – REFICONT – v. 5, n. 2, Jul/Dez, p. 88-109.
Microsoft. 2024. Documentação oficial do Power BI. Disponível em: https://learn. microsoft. com/pt-br/power-bi/. Acesso em 15 ago. 2025
REVISTA APÓLICE. 2024. CNSEG revisa previsão de crescimento do mercado para 11,8%. Disponível em: https://revistaapolice. com. br/2024/09/cnseg-revisa-previsao-de-crescimento-do-mercado-para-118/. Acesso em: 8 out. 2024.
Superintendência de Seguros Privados – SUSEP. 2024. Base de dados de sinistros de automóveis. Disponível em: https://www. gov. br/susep/pt-br/central-de-conteudos/dados-estatisticos/bases-anonimizadas/basesauto. Acesso em: 30 mai. 2025.
Superintendência de Seguros Privados – SUSEP. 2024. Manual de estrutura de dados de seguros de automóveis. Disponível em: https://dadosabertos. susep. gov. br/dadosabertos/autoapos2006/DadosAUTO. pdf. Acesso em: 30 mai. 2025.
Superintendência de Seguros Privados [SUSEP]. 2024. Síntese Mensal – Agosto 2024. Disponível em: https://www. gov. br/susep/pt-br/arquivos/arquivos-dados-estatisticos/sinteses-mensais/2024/SnteseMensalAgosto2024. pdf. Acesso em: 18 out. 2024.
Terminal de Informação. 2019. Tabela com lista de CEPs do Brasil. Disponível em: https://terminaldeinformacao. com/2019/01/12/tabela-com-lista-de-ceps-do-brasil/. Acesso em: 18 set. 2025.
VALOR ECONÔMICO. 2024. Demanda em alta de veículos eleva prêmios. Disponível em: https://valor. globo. com/publicacoes/especiais/seguros-previdencia-e-capitalizacao/noticia/2024/05/29/demanda-em-alta-de-veiculos-eleva-premios. ghtml. Acesso em: 8 out. 2024.
Wills, G. J. 2008. Data visualization: Part 1 —Basic concepts and techniques for successful visualizations. IB.
Wüthrich, M. V.; Merz, M. 2019. General Insurance Pricing and Reserving: Techniques and Tools for Non-Life Actuaries. Springer.

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:}