Analytics Prescritiva

Analytics descritiva responde "o que aconteceu". Analytics preditiva responde "o que vai acontecer". Analytics prescritiva responde a pergunta de maior valor operacional: "o que devemos fazer?". É o nível mais avançado da escada analítica — e o que mais diretamente conecta dados a ação.

Analytics Prescritiva combina modelos preditivos com análise de decisão, otimização matemática e, frequentemente, aprendizado por reforço para recomendar a melhor ação a tomar em um dado contexto. Não apenas prevê que um cliente tem 73% de probabilidade de churnar — recomenda qual intervenção, para qual segmento, com qual timing, maximiza a retenção líquida dado o custo de cada ação.

A distinção em relação ao preditivo é causal: analytics prescritiva requer entender não apenas correlações, mas relações de causa e efeito entre ações e resultados. Isso é mais difícil de estabelecer — correlação é abundante nos dados, causalidade precisa ser inferida com rigor metodológico.

Otimização matemática: dado um objetivo (maximizar receita, minimizar custo, maximizar utilização), um conjunto de variáveis de decisão (quanto produzir de cada produto, como alocar orçamento entre canais, qual rota tomar) e restrições (capacidade máxima, orçamento disponível, tempo), algoritmos de otimização encontram a solução ótima. Programação linear e inteira, problemas de roteamento (VRP), otimização de portfólio. Amplamente usada em logística, supply chain, finanças.

Simulação: quando o sistema é complexo demais para otimização analítica, simulação explora cenários. Simulação de Monte Carlo — gerar milhares de cenários aleatórios dentro de distribuições de probabilidade — estima a distribuição de resultados possíveis para uma decisão. "Se aumentarmos o preço em 10%, qual é a distribuição de impacto em volume vendido, dado nossa incerteza sobre a elasticidade do mercado?"

Árvores de decisão e análise de sensibilidade: mapear as consequências de diferentes caminhos de decisão, quantificar o valor esperado de cada alternativa e identificar quais suposições mais afetam o resultado. Útil para decisões estratégicas onde os dados são insuficientes para modelos preditivos robustos.

Aprendizado por reforço: algoritmo que aprende a tomar sequências de decisões maximizando recompensa cumulativa. Aplicações: otimização de preços dinâmicos, gestão de inventário em tempo real, personalização de recomendações. Requer ambiente de simulação ou capacidade de experimentar no mundo real com controle adequado.

Experimentos causais (A/B tests e variantes): para saber o efeito causal de uma intervenção, experimentos controlados randomizados são o padrão ouro. Analytics prescritiva usa resultados de experimentos para aprender quais ações funcionam em quais contextos — e incorpora esse conhecimento em recomendações futuras.

Uplift modeling: variante de ML que modela não a probabilidade de um evento, mas o efeito incremental de uma intervenção. "Qual é o aumento de probabilidade de compra causado por enviar este e-mail para este segmento?" — distinguindo entre clientes que comprariam de qualquer forma, os que respondem à intervenção, os que não respondem e os que respondem negativamente (os "sleeping dogs").

Precificação dinâmica: ajustar preços em tempo real com base em demanda, estoque, comportamento do consumidor e preços competitivos. Airlines, hotéis e ride-sharing usam isso há décadas; e-commerce e SaaS adotam cada vez mais. Requer modelo preditivo de demanda por faixa de preço + otimização de preço para maximizar receita ou margem.

Otimização de marketing e mix de canais: alocar orçamento de marketing entre canais (Google Ads, Meta, e-mail, influenciadores, TV) para maximizar resultado. Marketing Mix Modeling (MMM) estima o retorno marginal de cada canal com dados históricos; otimização encontra a alocação ótima dado o budget. Multi-touch attribution tenta atribuir conversões a pontos de contato individuais.

Gestão de estoques e supply chain: quando pedir, quanto pedir, de qual fornecedor, com qual nível de estoque de segurança. Otimização de supply chain combina previsão de demanda com parâmetros de custo (custo de holding, custo de stockout, custo de pedido) para minimizar custo total.

Recomendação personalizada: sistemas que recomendam o produto, conteúdo ou próxima ação mais relevante para cada usuário no contexto atual. Netflix, Spotify, Amazon — prescritivo porque não apenas prevê interesse, mas otimiza a recomendação para maximizar engajamento ou receita.

Saúde: tratamento personalizado: selecionar o tratamento mais provável de funcionar para um paciente específico com base em seu perfil clínico e resposta de pacientes similares. Medicina de precisão — ainda em desenvolvimento, mas com resultados promissores em oncologia.

A dificuldade central de analytics prescritiva é a inferência causal: dados observacionais mostram correlações, não causas. Se clientes que recebem desconto compram mais, pode ser porque o desconto causou a compra — ou porque a empresa dá desconto seletivamente para clientes que já demonstravam intenção de compra.

Recomendar uma ação baseada em correlação observacional pode ser contraproducente: dar desconto para quem compraria de qualquer forma reduz margem sem incrementar vendas. O uplift modeling endereça exatamente isso — mas requer dados de experimentos controlados para calibrar.

O padrão correto: perguntas prescritivas devem ser respondidas com dados de experimentos, não apenas observação. Quando experimentos não são possíveis (por razões éticas, de custo ou logística), métodos quasi-experimentais (diferenças-em-diferenças, regressão descontínua, variáveis instrumentais) tentam aproximar a inferência causal a partir de dados observacionais.

O desenvolvimento de sistemas de IA agêntica — LLMs equipados com ferramentas que tomam sequências de ações autonomamente — é, em certa medida, analytics prescritiva levada ao extremo: não apenas recomenda a ação, mas a executa automaticamente dentro de parâmetros definidos.

Um agente que monitora métricas de campanha e ajusta lances automaticamente. Um sistema que detecta risco de churn e envia oferta personalizada via e-mail sem intervenção humana. O prescritivo deixa de ser recomendação e vira execução.

Isso levanta questões de governança relevantes: quais decisões devem permanecer com humanos? Qual é o nível de auditabilidade necessário para ações automáticas? Como garantir que o sistema otimiza pelo objetivo correto sem efeitos colaterais não intencionais?

Analytics prescritiva representa o horizonte de maior valor analítico — e o de maior complexidade de implementação. Para a maioria das PMEs, é um destino de médio prazo, não um ponto de partida.

O caminho natural de maturidade analítica segue a escada: descritivo primeiro (BI e dashboards confiáveis), preditivo segundo (modelos de churn, forecast), prescritivo terceiro (otimização de ações baseada em experimentos). Tentar construir prescritivo sem fundações sólidas nas etapas anteriores produz modelos complexos que o negócio não consegue usar nem confiar.

O ponto de entrada mais acessível de prescritivo para PMEs é experimentos A/B bem estruturados: testar sistematicamente ações diferentes (páginas de preço, sequências de e-mail, abordagens de vendas) com grupos de controle adequados e aprender qual ação funciona para qual segmento. Isso já é analytics prescritiva na prática — sem a complexidade de otimização avançada.