Como transformar dados financeiros dispersos em inteligência de negócio

Toda empresa tem uma versão da seguinte cena: reunião de resultados, um número na tela, e alguém da mesa diz que, no relatório dele, aquele número é outro. Nos dez minutos seguintes, ninguém discute o que fazer. Discute-se qual planilha está certa. A decisão, que era o motivo do encontro, fica para a próxima.Se isso soa familiar, você não está sozinho. E, na maioria dos casos, o problema não é falta de dado. É o contrário, a empresa tem dado de sobra. O que ela não tem é dado pronto para responder à pergunta que a liderança precisa fazer.

Neste artigo é discutido por que muitas empresas ainda não conseguem usar de forma adequada os dados que já têm, qual é o custo real da fragmentação, o que precisa mudar para que o dado vire decisão e qual o papel da inteligência artificial nesse processo. Para fechar, um case prático mostra como a Objective transformou dados em decisão em uma das maiores operações de e-commerce e fintech do Brasil. Boa leitura! 

Por que a maioria das empresas ainda não consegue usar os dados que tem? 

Repare que quase ninguém reclama de ter dados de menos, a reclamação quando você escuta com atenção, é que a informação está ali, mas nunca do jeito que a decisão exige. Parte disso é de origem. O sistema de faturamento foi feito para faturar, não para explicar por que o faturamento caiu no trimestre. Quando essa pergunta chega, alguém precisa ir atrás, cruzar planilha, reconstruir o histórico quase na mão e isso leva dias. A janela para decidir, muitas vezes, é de horas.

Parte é de linguagem. Pergunte a três áreas quantos clientes ativos a empresa tem e é bem possível que você receba três respostas. Ninguém está mentindo, cada uma conta de um jeito, porque nunca se combinou o que “ativo” quer dizer. Enquanto isso não se resolve, todo relatório que cruza áreas nasce sob suspeita.

E parte é de dispersão. A informação vive em sistemas que não se falam, cada um com a sua versão da verdade. A Forrester estima que entre 60% e 73% de todos os dados de uma empresa nunca chegam a ser usados em análise. Ou seja, a maior parte fica guardada, custando armazenamento e não virando decisão nenhuma.

No fundo, tudo isso desemboca em um só lugar: confiança. Um estudo da Precisely, no ano de 2024, com a Universidade Drexel apontou que 67% das organizações não confiam plenamente nos próprios dados para tomar decisões, ante 55% um ano antes. E é aí que trava. Dado em que a liderança não confia não vira decisão, vira palpite com aparência de número.

Qual é o custo real da fragmentação de dados para o negócio?

Esse custo é alto, mas é difícil de enxergar, porque ele nunca chega numa fatura com o nome certo. Pense no tempo, colaboradores qualificados, contratados para analisar, dependendo da maturidade de dados da empresa, gastam grande parte do tempo só localizando e limpando informação para, aí sim, começar a analisar. É trabalho caro consumido numa etapa que, bem resolvida, nem deveria existir.

Pense na duplicação. Sem uma base confiável e compartilhada, cada área monta a sua. Aparecem quatro versões do mesmo indicador, todas defensáveis, todas um pouco diferentes. E a liderança, que deveria estar decidindo, acaba mediando qual número vale.

Pense na oportunidade que passou. O concorrente se moveu, o cenário virou, e a leitura que confirmaria a decisão só ficou pronta duas semanas depois, quando já não servia para nada. E pense no mais caro de todos, que é a confiança que se perde no caminho. Quando os números se contradizem uma, duas, três vezes, as pessoas simplesmente param de olhar para eles. Voltam a decidir pelo faro e pela hierarquia, como sempre foi. Aí a empresa investiu em dados e continua decidindo sem eles.

Para dar um tamanho a isso: a Gartner calcula que a má qualidade de dados custa, em média, US$ 12,9 milhões por ano para uma organização. Ninguém vê esse número porque ele não mora em lugar nenhum. Está diluído, um pouco em cada uma dessas fricções do dia a dia.

O que precisa mudar para que dados virem decisão?

A parte boa é que é possível resolver todo esse problema. A primeira é começar pela pergunta, não pela tecnologia. Antes de integrar qualquer sistema, vale saber quais decisões a empresa quer sustentar com dados.

A segunda é tratar dado como produto, e não como sobra do processo. Todo produto tem dono, tem quem usa e tem um padrão de qualidade combinado. Com dado deveria ser igual. Em vez de jogar tudo num repositório e torcer para alguém achar valor ali, a empresa passa a cuidar de conjuntos de dados confiáveis, documentados e feitos para um uso claro.

A terceira é combinar as definições antes de brigar pelos números. Acertar, uma única vez e para a empresa inteira, o que significa cada indicador que importa resolve de antemão boa parte das discussões que hoje consomem reunião. É um trabalho sem glamour e de retorno altíssimo.

A quarta é ter governança que sirva para decidir, não para auditar. Governança tem fama de burocracia, e às vezes merece. Bem feita, ela é o contrário disso: é o que deixa a decisão mais rápida, porque todo mundo parte da mesma base. O objetivo nunca é controlar o dado. É deixá-lo pronto para usar.

Antes da inteligência artificial vem a base? 

Esse assunto, que já era importante, ficou urgente com a Inteligência Artificial (IA). A pressão para adotar inteligência artificial em tudo é real e faz sentido. Só que modelo de IA não tem juízo próprio. Ele confia no dado que recebe. Se o dado está fragmentado e mal cuidado, a IA não conserta nada. Ela acelera o erro e ainda dá a ele um ar de precisão que engana.

No fim das contas, transformar dado em decisão não é um projeto de tecnologia. É uma escolha da liderança sobre como quer decidir, e sobre o trabalho que aceita fazer para sustentar essa escolha. A tecnologia é apenas uma parte, muito importante inclusive. 

Como a Objective trabalhou com uma das maiores operações de e-commerce e fintech do Brasil

O ponto de partida dessa história de sucesso não foi a IA. Foi a base: em parceria com o time de Risco do cliente, a Objective migrou a operação para a nuvem e construiu um Data Lake capaz de sustentar picos de mais de mil compras por minuto. Sobre esses dados confiáveis, desenvolvemos um modelo de IA treinado com o histórico exclusivo do cliente, que passou a atuar lado a lado com os analistas de Risco. A taxa de fraude caiu de 2,8% para 0,3%, cerca de 89% de redução, e sem impacto negativo nas vendas. E, como costuma acontecer quando a fundação é bem feita, o mesmo Data Lake virou base para novas frentes do negócio, do programa de fidelidade à carteira digital.

É isso que chamamos de Dados & IA em escala: transformar informação em decisão e, a partir daí, em resultado que se sustenta.

É esse o problema que a Objective resolve: construir a base que transforma dado em decisão, com engenharia de dados, IA aplicada e governança, no contexto e na escala da sua operação. Converse com os nossos especialistas. 

Perguntas frequentes sobre o tema