Analytics estratégico: por que seu dashboard não está mudando nenhuma decisão

1. O paradoxo do analytics moderno: nunca tivemos tantos dados, nunca influenciamos tão pouco

Em 2019, trabalhei em um projeto de crédito em que a área de dados havia construído 47 dashboards diferentes no Tableau. Quarenta e sete. Cada um deles era tecnicamente impecável, com filtros dinâmicos, drill-downs por segmento, comparativos mês a mês. O time tinha gasto provavelmente seis meses de esforço naquilo. Quando perguntei ao diretor de crédito qual dashboard ele abria com mais frequência, ele pausou, olhou para o lado e disse: "Honestamente? Nenhum. Eu pergunto pro meu analista o que está acontecendo e ele me resume em dois minutos."

Esse é o paradoxo central do analytics estratégico hoje. As empresas investem pesado em infraestrutura de dados — data lakes, pipelines de ETL, ferramentas de visualização, squads de dados — e ao mesmo tempo as decisões de maior impacto continuam sendo tomadas com base em intuição, relato verbal ou planilha de Excel que alguém mantém manualmente há anos. O volume de dados cresceu de forma exponencial. A influência real das equipes de analytics sobre decisões estratégicas? Praticamente não saiu do lugar.

O problema não é técnico. Os modelos ficaram melhores, o poder computacional ficou mais barato, os cientistas de dados ficaram mais capacitados. O problema é de comunicação, de posicionamento e, acima de tudo, de entender o que uma decisão executiva realmente precisa para acontecer.

2. Por que dashboards bonitos são o problema, não a solução

Existe uma crença muito difundida nas equipes de dados de que tornar a informação visualmente acessível é suficiente para gerar impacto. Se o dado estiver disponível, organizado e bonito, as pessoas vão usá-lo. Essa crença é quase sempre errada.

Dashboards são ferramentas de monitoramento. Eles servem para quem precisa acompanhar um processo operacional de perto — um gerente de risco que precisa ver a inadimplência diária por carteira, um analista de tesouraria verificando posição de caixa. Para esses casos, o dashboard tem valor real. Mas quando ele é apresentado como entrega analítica para um comitê executivo, ele transfere o trabalho interpretativo para quem deveria estar decidindo, não analisando.

O executivo abre o dashboard, vê que a inadimplência subiu 1,3 pontos percentuais no trimestre, e agora precisa responder sozinho: isso é grave? É tendência ou ruído? Em que segmento está concentrado? O que causou? O que fazer? Se a equipe de dados não respondeu essas perguntas antes de apresentar o número, ela não fez analytics estratégico — ela fez relatório de BI glorificado.

Outro problema dos dashboards como produto principal: eles criam uma ilusão de transparência que bloqueia conversas difíceis. Quando um número está visível para todos, ninguém se sente responsável por interpretá-lo. O dado fica ali, disponível, e a reunião de comitê termina sem nenhuma decisão porque "vamos aguardar mais um mês para ver se a tendência se confirma." Esse é o analytics como alibi, não como ferramenta de decisão.

3. A diferença entre análise descritiva e análise que gera ação — com exemplos do setor financeiro

Vou ser direto com dois exemplos reais, com detalhes alterados para preservar as instituições envolvidas.

Exemplo 1 — O que não funciona: Uma equipe de dados de um banco médio apresentou ao comitê de crédito um estudo mostrando que clientes de determinada faixa de renda com histórico de atraso entre 31 e 60 dias tinham taxa de default 18% superior à média da carteira. O slide era bem construído, com gráfico de barras por decil de risco e tabela de comparativo histórico. O comitê agradeceu, disse que era "muito interessante" e seguiu para o próximo ponto da pauta. Nenhuma mudança de política nos seis meses seguintes.

Exemplo 2 — O que funciona: Uma equipe diferente, em contexto similar, chegou ao mesmo comitê com uma análise que começava assim: "Recomendamos reduzir o limite de crédito rotativo em 30% para clientes com atraso entre 31 e 60 dias e renda entre R$ 3.000 e R$ 6.000. Com base no comportamento dos últimos 24 meses, essa medida teria evitado R$ 47 milhões em perdas, com impacto estimado de R$ 8 milhões em receita de juros — razão de risco-retorno de 5,9 para 1. Propomos implementação em 45 dias com revisão em 90 dias." O comitê aprovou na mesma reunião.

A diferença não está na qualidade estatística — ambas as análises eram tecnicamente sólidas. A diferença está em quem fez o trabalho interpretativo. No primeiro caso, a equipe parou na observação. No segundo, ela chegou com uma posição.

Analytics que gera ação no setor financeiro tem quatro elementos obrigatórios: o diagnóstico (o que está acontecendo e onde), a causa provável (por que está acontecendo — e com qual grau de certeza você afirma isso), a recomendação específica (o que fazer, com números concretos) e o custo da inação (o que acontece se não fizermos nada). Sem esses quatro elementos, você tem análise descritiva, não analítica estratégica.

4. Como estruturar uma recomendação analítica para executivos que decidem em 10 minutos

Executivos de alto nível em instituições financeiras tomam dezenas de decisões por dia. O tempo real de atenção que uma análise recebe numa reunião de comitê raramente passa de dez minutos. Isso não é desrespeito ao trabalho da equipe de dados — é a realidade operacional de quem gerencia múltiplas frentes simultaneamente. Estruturar uma recomendação para esse contexto é uma habilidade que a maioria dos cientistas de dados nunca foi ensinada a desenvolver.

A estrutura que mais me funcionou ao longo dos anos segue uma lógica simples: conclusão primeiro, evidência depois. Começa com a recomendação em uma frase. Em seguida, o número que a sustenta. Em seguida, a premissa principal que você assumiu para chegar ali. Por último, o risco central se a premissa estiver errada.

Na prática, isso significa que seu primeiro slide — ou seu primeiro parágrafo no email, se for comunicação escrita — precisa conter a decisão que você está pedindo ao executivo que tome. Não o contexto, não o histórico, não a metodologia. A decisão. O contexto vem depois, para quem quiser se aprofundar.

Um elemento que quase sempre é omitido e que faz enorme diferença: explicitar o grau de confiança da análise. Não em termos estatísticos — p-valor não significa nada para um diretor de negócios — mas em linguagem direta. "Temos alta confiança nessa recomendação porque o padrão se repetiu em seis trimestres consecutivos e em dois ciclos econômicos distintos." Ou: "Nossa confiança é moderada porque estamos extrapolando um comportamento observado em clientes PF para o segmento PJ, onde os dados históricos são mais escassos." Essa honestidade não enfraquece a análise — ela a torna credível.

5. O papel do cientista de dados como tradutor de incerteza, não de números

Há uma confusão persistente sobre o que é o trabalho central de um cientista de dados em contexto estratégico. Muitos profissionais da área acreditam que seu papel é transformar dados brutos em números compreensíveis — traduzir terabytes em métricas, métricas em gráficos, gráficos em slides. Esse é um papel técnico importante, mas é o papel de um analista de BI, não de um cientista de dados estratégico.

O papel real do cientista de dados em contexto de decisão estratégica é traduzir incerteza. Toda análise carrega incerteza — sobre a qualidade dos dados, sobre a estabilidade dos padrões observados, sobre as premissas do modelo, sobre o que vai mudar no ambiente externo. O executivo que toma a decisão precisa entender essa incerteza de forma calibrada para decidir bem. Se o cientista de dados não faz essa tradução, o executivo decide como se a análise fosse certeza — ou ignora a análise porque "dado é sempre um número que pode ser interpretado de qualquer jeito."

Traduzir incerteza significa ser capaz de dizer: "Esse modelo tem acurácia de 78% na base de teste, o que na prática significa que em aproximadamente 2 de cada 10 casos a previsão vai estar errada. Para uma decisão de política de crédito de larga escala, esse nível de erro é aceitável. Para aprovar crédito individual acima de R$ 500 mil, não é — precisaríamos de validação adicional." Isso é julgamento analítico. É o que diferencia um cientista de dados que influencia decisões de um que produz relatórios que ninguém lê.

Existe também um componente ético importante aqui. Em mercados financeiros, análises mal comunicadas — especialmente quando subestimam a incerteza — podem gerar decisões com consequências sérias para clientes, para a instituição e para o próprio profissional. A honestidade sobre os limites do que os dados mostram não é fraqueza técnica. É responsabilidade profissional.

O cientista de dados que constrói credibilidade de longo prazo em organizações financeiras é aquele que, quando não sabe, diz que não sabe — e que, quando sabe, fala com clareza suficiente para que a decisão aconteça. Esses dois movimentos juntos, ao longo do tempo, são o que transforma uma equipe de dados de centro de custo em vantagem competitiva real.