Análise descritiva, diagnóstica, preditiva e prescritiva

Análise descritiva: o que aconteceu?

Análise descritiva responde pergunta simples: o que aconteceu? Usa dados históricos, relatórios e dashboards. Exemplos: "Vendas cresceram 10% em março", "Cliente A gastou R$ 50 mil no trimestre", "Taxa de rotatividade é 15%". Descreve situação atual ou passada através de números. É o tipo de análise mais comum — a maioria das empresas ainda opera nesse nível.

Valor de descritiva é imediato: reduz incerteza sobre "como estamos indo?". Investimento é baixo (relatórios simples em Excel ou BI), pode ser executado em qualquer empresa, e gera valor rápido. Problema: muitos gestores confundem descritiva com decisão — conhecer que "margem caiu" não responde "por que caiu", então decisão fica incompleta. Descritiva informa situação, mas não explica causa.

Análise diagnóstica: por que aconteceu?

Análise diagnóstica responde pergunta mais profunda: por que aconteceu? Busca causas e correlações. Exemplo: "Vendas cresceram 10% porque reduzimos preço em 8% e aumentou volume em 15%". Conecta múltiplas variáveis e explica relações entre elas. Requer compreensão profunda de negócio — não basta dados, precisa de especialista que saiba que fatores importam.

Desafio de diagnóstica é distinguir entre correlação e causalidade. "Quando marketing aumenta, vendas crescem" pode ser correlação — ambas crescem por mercado aquecendo, não porque marketing causa vendas. Diagnóstica robusta exige expertise de domínio e validação experimental, não apenas análise de dados. Por isso muitas empresas falham em diagnóstica: coletam dados, veem padrão, assumem causalidade, implementam ação que não funciona porque foram causas erradas.

Investimento em diagnóstica é médio (meses de trabalho), expertise necessária é maior (especialistas de negócio + analistas), e risco de erro é significativo. Mas valor é alto: diagnosticar causa corretamente de queda de margem permite ação precisamente dirigida, não genérica.

Análise preditiva: o que vai acontecer?

Análise preditiva responde pergunta prospectiva: o que vai acontecer? Usa modelos estatísticos e machine learning para prever tendências futuras. Exemplos: "Baseado em sazonalidade e trend, vendas vão cair 5% em abril", "Baseado em perfil de cliente e histórico, esse cliente tem 30% de probabilidade de sair em 3 meses"^[2]. Preditiva permite ação preventiva: se prevê queda, pode-se aumentar marketing; se prevê churn, pode-se fazer retenção proativa.

Desafio de preditiva é que futuro é incerto. Modelo que funciona bem em dados históricos pode falhar quando contexto muda (crise econômica, competitor novo, regulação muda). Por isso preditiva exige validação contínua — modelo não é "set and forget", precisa ser monitorado e recalibrado. Investimento é alto (dados históricos ricos, modelos complexos, cientistas de dados), timeline é longa (meses a anos), expertise necessária é muito maior, e risco de decisão baseada em previsão errada é substancial.

Realidade brasileira: preditiva é exceção, não regra. Maioria das empresas não tem dados históricos confiáveis o suficiente, nem expertise para construir e validar modelos. Pular de "sem descritiva confiável" para "vamos fazer preditiva" é receita para fracasso — é investimento alto em projeto que vai falhar.

Análise prescritiva: o que deveríamos fazer?

Análise prescritiva responde pergunta mais complexa: o que deveríamos fazer? Recomenda ações otimizadas. Exemplo: "Para compensar queda de 5% em vendas prevista para abril, devemos aumentar marketing em 12%, reduzir custos operacionais em 3% e ajustar mix de produto para categorias de margem maior — isso vai manter EBITDA em 8% de crescimento". Prescritiva integra múltiplas variáveis, modelos de simulação e critérios de otimização.

Prescritiva é rara porque muito complexa. Requer: modelos preditivos validados, compreensão de trade-offs de negócio (aumentar marketing reduz caixa imediato), capacidade de simulação (o que acontece se fizer X?), e expertise em otimização. Além disso, recomendação pode estar errada — a responsabilidade de decisão sempre fica com humano. Por isso prescrição é melhor vista como "sugestão estruturada" que líder valida, não como "comando automático".

Investimento em prescritiva é muito alto (times de cientistas de dados, infraestrutura complexa, expertise rara), timeline é muito longa (anos), e ainda assim é experimental em maioria das organizações. Grandes corporações (fintech, varejo de escala) estão começando a usar; maioria das empresas brasileiras ainda opera longe disso.

A curva de sofisticação: investimento versus valor versus risco

À medida que avança de descritiva para prescritiva, três dimensões mudam: (1) complexidade de implementação aumenta exponencialmente — descritiva é simples, diagnóstica é média, preditiva é complexa, prescritiva é muito complexa; (2) investimento cresce — descritiva custa dezenas de mil, diagnóstica centenas de mil, preditiva milhões, prescritiva é ainda mais cara; (3) timeline alonga — descritiva em semanas, diagnóstica em meses, preditiva em meses/anos, prescritiva em anos.

O erro comum é pular etapas. Gestores veem case de empresa grande usando machine learning e querem implementar em sua empresa pequena que nem tem descritiva confiável. Resultado: investimento alto, expertise desalinhada, projeto que fracassa porque faltam fundações. O caminho correto é sequencial: dominar descritiva, depois diagnóstica, depois preditiva — e apenas corporações muito grandes chegam a prescritiva.

Mitos que condenam projetos analíticos ao fracasso

Quatro mitos persistem: (1) "Pular etapas economiza tempo" — verdade é que sem descritiva confiável, diagnóstica fracassa; sem diagnóstica sólida, preditiva erra; caminho sequencial é mais rápido porque aproveita aprendizados. (2) "Correlação é causalidade" — não é. Vender mais quando chove não significa chuva causa vendas — pode ser sazonalidade. (3) "Previsão elimina incerteza" — não elimina, apenas reduz. Modelo 80% acurado ainda erra 20% das vezes. (4) "Recomendações automáticas substituem julgamento" — substituem informação ruim por informação melhor, mas julgamento é sempre humano.

Reconhecer esses mitos é essencial. Muitos projetos fracassam não por incapacidade técnica, mas por expectativas erradas desde o início.

Realidade brasileira: onde a maioria das empresas opera

Pesquisas de maturidade analítica mostram: maioria das empresas brasileiras ainda opera em descritiva, muitas mal feita (dashboards desatualizados, dados inconsistentes); diagnóstica é rara fora de grandes corporações; preditiva é exceção; prescritiva é quase inexistente. Isso não significa que preditiva é inacessível — significa que as fundações não estão prontas.

Para empresa brasileira típica, roadmap recomendado é: Ano 1-2, dominar descritiva com qualidade; Ano 2-3, implementar diagnóstica estruturada; Ano 3-4, começar experimentos com preditiva em área de alto impacto. Esse timeline resgata valor prático e sustentável — ao contrário de gastar milhões em preditiva que ninguém usa.