A análise preditiva (predictive analytics) é o ramo da análise de dados que aplica modelos estatísticos e aprendizado de máquina (machine learning) ao histórico registrado para estimar a probabilidade de eventos que ainda não aconteceram. A análise preditiva devolve probabilidade, não certeza: o modelo aprende o padrão do que já ocorreu e calcula a chance de esse padrão se repetir. Sobre dados de cliente, a análise preditiva responde quase sempre a três perguntas: o que essa pessoa compra em seguida, quando ela para de comprar e quanto ela vale ao longo da relação.
Onde a análise preditiva fica entre os tipos de análise
| Tipo de análise | Pergunta que responde | Saída típica |
|---|---|---|
| Análise descritiva | o que aconteceu | taxa de churn do mês, receita por canal |
| Análise diagnóstica | por que aconteceu | causa da queda na recompra |
| Análise preditiva | o que tende a acontecer | probabilidade de churn por cliente |
| Análise prescritiva | o que fazer em seguida | a oferta a apresentar a esse cliente |
A análise preditiva se apoia na análise descritiva (descriptive analytics): sem agregação confiável do que já aconteceu, não existe insumo para treinar modelo. Do outro lado, previsão que não define a próxima ação parou antes da análise prescritiva (prescriptive analytics), e nesse ponto o score vira relatório.
Uso direto e uso indireto
Empresas usam a análise preditiva de duas formas, e a escolha entre elas define quanta equipe de dados o projeto exige.
No uso direto, analistas e cientistas de dados montam o conjunto de dados e treinam o próprio modelo, com Python, R, ferramentas comerciais de estatística ou serviços de aprendizado de máquina em nuvem. Os métodos são os conhecidos: regressão linear e não linear, árvores de decisão e redes neurais. A contrapartida está no pré-requisito: base de dados organizada e gente que saiba ler o erro do modelo.
No uso indireto, a empresa usa um produto que já traz a previsão embutida: o lead scoring (pontuação de leads) da plataforma de automação de marketing, os atributos preditivos (predictive traits) calculados por uma plataforma de dados do cliente (CDP), a recomendação de produto do e-commerce. Quem opera enxerga o resultado, não o modelo.
A regra prática separa os dois casos: previsão padronizada, como churn e propensão de compra, costuma caber no uso indireto; previsão que depende de uma definição própria da empresa exige o uso direto.
O que decide a precisão é o dado de entrada
O tropeço mais comum na prática não está na escolha do algoritmo, está na entrada. Quando a mesma pessoa aparece como quatro cadastros distintos entre site, aplicativo, PDV (ponto de venda) e atendimento, o modelo aprende quatro históricos curtos em vez de um só, e atributos como intervalo entre compras e frequência de contato deixam de existir. A resolução de identidade (identity resolution) une os identificadores, e só a partir daí o histórico por pessoa se sustenta.
No Brasil, o pagamento por Pix é um dos sinais de maior cobertura para montar esse histórico por pessoa. O Pix é aceito no e-commerce e no PDV, funciona sem cartão e sem cadastro no site, e cada recebimento chega ao lojista com a identificação de quem pagou. Isso dá recência, frequência e valor monetário para uma parte da base que o cartão de crédito e o login não alcançam, inclusive em ticket baixo e em compra presencial.
Construir o modelo sobre dados primários (first-party data), com base legal registrada, também protege o insumo: são os dados que continuam disponíveis enquanto os cookies de terceiros perdem alcance.
Os usos mais frequentes em marketing
- Probabilidade de churn: sinais de queda de uso, aumento de chamados e proximidade da renovação alimentam a probabilidade de churn (churn prediction), que aponta quem entra em retenção antes de cancelar.
- Valor de vida do cliente previsto: o comportamento das primeiras semanas estima o valor de vida do cliente (customer lifetime value) e define quanto vale investir em cada grupo.
- Modelagem de propensão: a modelagem de propensão (propensity modeling) calcula a chance de um cliente específico comprar uma categoria, aceitar uma oferta ou responder a um canal.
- Previsão de demanda: a estimativa de volume por período e por loja dimensiona estoque e escala de atendimento, como na noite de uma final de campeonato para uma rede de restaurantes.
Esses scores rendem mais como condição de segmento do que como relatório trimestral. Em vez de “quem comprou três vezes”, o corte passa a ser “os 10% com maior probabilidade de cancelar nos próximos 90 dias”, e a segmentação de clientes (customer segmentation) muda de composição a cada rodada do modelo.
Do score à ação
Um score não muda nada enquanto fica na tabela. O que altera a experiência do cliente é a ativação de dados (data activation): a probabilidade calculada precisa chegar ao público da campanha, à tela do atendimento e ao motor de personalização do site. A decisão de qual oferta apresentar, em qual canal e em que momento é o terreno da decisão com IA (AI decisioning) e da próxima melhor ação (next best action).
O ciclo só se fecha com o retorno do resultado. Quando o resultado da campanha não retorna à base que treinou o modelo, a precisão congela no estado do primeiro treino, porque o modelo nunca vê se acertou. É por isso que o Customer Intelligence Loop (coletar, unificar, entender, decidir, engajar e voltar a coletar) é desenhado como circuito fechado, e não como uma linha que termina no envio.
Como implementar
- Escolha um evento e a ação correspondente. Churn, próxima compra ou volume de demanda. Defina antes o que a equipe faz quando o score sair; previsão sem ação combinada não entra em operação.
- Reúna o histórico. Pedido, comportamento no site e no aplicativo, atendimento e cadastro. O evento previsto precisa estar observável nos dados passados.
- Limpe e padronize. A limpeza de dados (data cleansing) trata duplicidade, campo obrigatório em branco e grafia divergente. Falha aqui reaparece como erro do modelo.
- Valide fora da amostra. Meça o desempenho em um período que não entrou no treino.
- Devolva o score ao perfil. Gravado como atributo no perfil da CDP ou da ferramenta de automação, o score fica disponível como condição de campanha.
Limites que aparecem na operação
- O modelo não prevê o que nunca aconteceu. A análise preditiva projeta a continuação do passado; mudança regulatória, entrada de concorrente novo e ruptura de fornecimento ficam fora do que os dados registraram.
- Precisão sem decisão não move resultado. Ganhar três pontos de acurácia só importa se o novo patamar muda quem recebe a ação. Defina o limiar de decisão antes de investir na próxima versão do modelo.
- A finalidade de tratamento limita o uso. A LGPD, fiscalizada pela ANPD, exige base legal por finalidade: calcular a probabilidade de churn a partir do histórico de compra precisa caber na finalidade informada ao titular. O art. 20 ainda garante ao titular o pedido de revisão de decisão tomada só por tratamento automatizado, o que pesa quando o score define crédito, preço ou prioridade de atendimento.
- O consentimento é verificado por canal. Estar no segmento e poder receber a mensagem são conferências distintas. No WhatsApp o opt-in e o cancelamento de inscrição valem para aquele canal, e a gestão de consentimento (consent management) centralizada é o que mantém as duas verificações separadas.
- Setor regulado costuma preferir o modelo explicável. Em crédito e em saúde, poder mostrar o motivo da decisão pesa mais do que alguns pontos de acurácia.
FAQ
Qual a diferença entre análise preditiva e análise de dados?
A análise de dados é o conjunto amplo de técnicas que descrevem o que já aconteceu; a análise preditiva é a parte que estima o que tende a acontecer. A análise preditiva usa a saída da análise descritiva como entrada e aplica regressão, árvores de decisão e redes neurais para calcular probabilidades. Sem agregação confiável do histórico, o modelo preditivo não tem o que aprender.
Quais ferramentas são usadas em análise preditiva?
Para construir o modelo de análise preditiva internamente, as opções são Python (scikit-learn, TensorFlow), R, ferramentas comerciais de estatística e os serviços de aprendizado de máquina de AWS, Google Cloud e Azure. Para previsões padronizadas, como churn e valor de vida do cliente, a via mais rápida é usar os atributos preditivos que já vêm em CDPs e plataformas de automação de marketing. O critério de escolha é a definição do evento: genérica ou própria da empresa.
Como usar análise preditiva no marketing?
No marketing, a análise preditiva estima probabilidade de compra, risco de churn e resposta a campanha, e esses scores entram como condição de segmento. Com a probabilidade no perfil, a equipe prioriza mídia paga por propensão, reserva a retenção para quem tem risco alto e ajusta a oferta por cliente. O ganho aparece quando o score chega aos canais, não quando ele fica no painel de inteligência de negócios (BI).
Dá para fazer análise preditiva sem uma CDP?
Dá para fazer análise preditiva sem uma CDP, desde que a união dos identificadores do cliente aconteça em algum lugar. Um time de dados consegue montar essa união no data warehouse e treinar os modelos ali. A diferença de usar uma CDP está em receber a resolução de identidade, o cálculo dos atributos preditivos e a ativação nos canais como recurso pronto, em vez de construir e manter cada peça.
Termos relacionados
- Intent Prediction — estima o que o cliente pretende fazer na sessão atual (em inglês)
- AI Customer Segmentation — agrupa clientes por padrões que ninguém escreveu como regra (em inglês)
- Marketing Analytics — a disciplina de medição em que a previsão se apoia (em inglês)
- Predictive Analytics in Marketing — o recorte de marketing, com campanhas e canais (em inglês)
- Casos de uso de CDP — onde os scores preditivos entram nos casos de uso mais comuns
Este artigo também está disponível em: Predictive Analytics · 予測分析とは？仕組みと活用事例、CDPでの実装