Ciência de dados como tradutor: do indicador travado à ação de negócio

Todo executivo conhece um indicador assim. Está no painel há anos, tem meta, dono e plano de ação revisado a cada ciclo. E não se move. Chamamos isso de indicador travado, o ponto em que o método de gestão, mesmo bem executado, esgota as hipóteses que consegue enxergar. É também onde a maioria das organizações comete o mesmo erro: pedir mais inteligência artificial (IA). 

Em uma pesquisa da Gartner com 353 líderes de dados e IA, de abril de 2026, apenas 39% se dizem confiantes de que os investimentos em inteligência artificial de suas empresas terão impacto positivo no resultado financeiro. Painéis, modelos preditivos e assistentes generativos descrevem o indicador com precisão crescente. Nenhum diz ao gestor qual decisão, tomada por quem, muda o número. 

Mandi Bishop, analista da Gartner, sustenta que a maioria das iniciativas de IA não falha pela tecnologia, mas porque as pessoas ao redor dela param de pensar com o cuidado de antes: entram a dependência excessiva e o viés de automação. A resposta, para ela, é reconstruir consciência de contexto, julgamento e pensamento crítico. Um indicador travado não precisa de menos ciência de dados. Precisa de um tradutor entre ciência e negócio, e tradução é habilidade humana. 

Na Falconi, esse trabalho segue três movimentos. O primeiro, encontrar as alavancas que o negócio não enxerga, começa antes do algoritmo, com a escolha de quais variáveis o modelo vai ver e com a separação de alavancas acionáveis de medições de contexto. O modelo trata as duas como iguais; quem distingue é gente. 

Depois, o tipo de modelo: “prever bem” e “explicar bem” raramente vêm juntos, e escolher o lado certo é decisão de negócio. Só então vem o ranking, lido com desconfiança, onde correlação não é alavanca. A alavanca é o que alguém consegue mexer e cujo efeito se sustenta controlando o resto. 

O segundo movimento é provar a narrativa antes de contá-la, na métrica do negócio, não na do modelo. A hipótese se mantém em recortes diferentes? Faz sentido para quem opera? Resiste a um piloto controlado? O terceiro é converter a descoberta em ação com dono, meta e prazo. 

Uma operadora de saúde vivia esse dilema com a sinistralidade da carteira de pequenas e médias empresas. A gestão do sinistro já estava exaurida. As características do contratante eram contexto; não se muda o cliente. A alavanca estava antes, na regra de aceitação das propostas. 

Modelos de gradient boosting e redes neurais mostraram quais características explicavam o sinistro esperado. O modelo foi avaliado em pontos de sinistralidade e em reais, não em acurácia: um ponto percentual a menos representava mais de 13 milhões de reais de lucro bruto estimados. Foi essa tradução que a subscrição reconheceu. 

O padrão se repete. Por exemplo, em uma farmacêutica, curvas de trade-off entre nível de serviço e capital de giro apontaram potencial de aproximadamente 30% de redução no estoque médio sem perder venda. Em um programa nacional de segurança viária, o modelo preditivo de sinistros só ganhou credibilidade depois de sanear o dado de 27 unidades federativas e de explicar, variável a variável, um modelo escolhido por prever melhor. 

Para o CIO com um indicador travado em mente, três perguntas antes do próximo painel: quais variáveis sob nosso controle explicam esse indicador? Como vamos provar isso antes de agir? Quem vai mexer nelas, com que meta e prazo? Se Mandi Bishop está certa e a habilidade escassa da era da IA é o julgamento humano, o cientista de dados mais valioso não é quem treina o melhor modelo. É quem traduz o modelo em uma decisão que o negócio consegue tomar e sustentar. 

Principais pontos do artigo: 

• Indicador travado é aquele em que o método de gestão, mesmo bem executado, esgota as hipóteses que consegue enxergar. Pedir “mais IA” não resolve: painéis e modelos descrevem o problema sem explicar o que o move.
• A ciência de dados destrava o indicador em três movimentos: encontrar as alavancas que o negócio não enxerga, provar a narrativa antes de contá-la e converter a descoberta em ação com dono, meta e prazo.
• O primeiro movimento é julgamento humano antes de ser algoritmo: separar alavancas acionáveis de medições de contexto, escolher entre prever bem e explicar bem e ler o ranking estatístico com desconfiança. Correlação não é alavanca.
• Como defende Mandi Bishop, do Gartner, a habilidade escassa da era da IA é o julgamento. O cientista de dados mais valioso é quem traduz o modelo em decisão, avaliada na métrica do negócio, e não quem treina o melhor modelo.

 *Leandro Mineti é diretor de Dados e IA da Falconi