Análise preditiva: o que é e como começar sem data science

No Panorama de Marketing e Vendas 2026 da RD Station, 59% dos profissionais brasileiros dizem usar IA no dia a dia. Quando a pesquisa pergunta para quê, a resposta muda de tom: análise preditiva aparece em 7% dos times de marketing e 6% dos de vendas.
Ou seja: quase todo mundo usa IA para escrever e resumir. Quase ninguém usa para prever. E prever é justamente a parte que mexe no caixa.
Vale entender por que essa distância existe, porque ela não é falta de ferramenta. É falta das duas camadas que vêm antes.
Análise preditiva: o que é, em uma resposta direta
Análise preditiva é o uso de dados históricos e métodos estatísticos para estimar a probabilidade de um evento futuro: quais clientes vão cancelar, quanto um lead vale, quanta demanda vem no próximo mês. Ela não adivinha o futuro. Ela calcula uma probabilidade a partir de padrões que já aconteceram e aponta onde agir primeiro.
A palavra importante nessa definição é probabilidade. Um modelo preditivo decente não diz "esse cliente vai cancelar". Ele diz "esse cliente tem 71% de chance de cancelar nos próximos 60 dias". Quem trata os 71% como certeza toma decisão ruim; quem trata como ordem de prioridade na fila do time de CS ganha dinheiro.
Onde a análise preditiva entra na escada das análises
Existem quatro degraus, e eles são cumulativos. Pular degrau é o erro mais comum e mais caro.
O número do gráfico merece atenção. Ainda no Panorama 2026, 62% dos times de vendas não acompanham a taxa de conversão de cada etapa do funil, e 25% não sabem ou não medem a conversão de oportunidades em venda. Isso é o primeiro degrau, o descritivo, e ele está quebrado na maioria das casas.
Na prática, o que vemos nas startups que mentoramos é isto: quem tenta instalar previsão sobre uma base que não fecha produz um número bonito e errado. O modelo vai prever direitinho os padrões de um histórico que mede a coisa errada. Antes de prever, feche a conta do que já passou.
Por que tanta gente usa IA e tão pouca gente prevê?
O gráfico abaixo ajuda a enxergar o tamanho do buraco.
Três razões explicam o desenho, e nenhuma delas é preço de software.
A primeira é dado espalhado. Mídia no gerenciador, vendas no CRM, cobrança no financeiro, nada se conversando. Previsão exige juntar o que aconteceu antes e o que aconteceu depois na mesma linha, e essa costura é onde o projeto morre. Se você ainda não organizou essa base, comece pelos dados first-party que você já coleta e não usa.
A segunda é expectativa calibrada no hype. A pesquisa State of AI da Deloitte, feita entre agosto e setembro de 2025 e divulgada em 2026, mostra os dois lados: 59% das empresas brasileiras apontam melhora na tomada de decisão com IA, mas 58% dizem que no máximo um quinto dos pilotos chegou a virar operação. Previsão vira apresentação de slide e não vira rotina.
A terceira é a mais silenciosa: ninguém definiu qual decisão o número vai mudar. Modelo sem decisão acoplada é entretenimento caro.
Três casos de uso que funcionam sem time de data science
Esses três cabem em planilha, SQL simples ou ferramenta de prateleira. Não precisam de cientista de dados dedicado para a primeira versão.
| Caso de uso | Dado mínimo | Decisão que muda |
|---|---|---|
| Risco de cancelamento | 12 meses de base ativa, data de entrada e saída, uso ou frequência de compra | Quem o CS liga primeiro nesta semana |
| Valor esperado do lead | Origem, segmento e ticket fechado dos últimos 200 a 300 negócios | Onde o orçamento de mídia entra e onde sai |
| Demanda e receita do mês | 24 meses de faturamento e pipeline por estágio | Estoque, contratação e meta do time |
O caso de churn é o que paga mais rápido, e vale ver a conta inteira. Para quem está no começo, o alerta de churn em estágio inicial continua valendo: previsão não resolve produto que não entrega.
A conta real de um modelo de churn
Operação de serviço recorrente com 400 clientes ativos, ticket de R$ 890 por mês, churn de 4% ao mês. São 16 cancelamentos mensais, R$ 14.240 de receita recorrente saindo pela porta.
Um primeiro modelo, daqueles simples, marca 60 clientes por mês como risco alto. Dentro desses 60 estão 11 dos 16 que realmente cancelariam. O time de CS aborda os 60 e consegue reverter cerca de 30% dos que de fato iriam sair. São 3 clientes mantidos por mês, R$ 2.670 de receita recorrente que não caiu, contra 20 horas de CS, algo como R$ 900 de custo. Fecha bem.
Agora o lado que ninguém coloca no slide: dos 60 abordados, 49 não iriam embora. Se a resposta padrão do time for dar 15% de desconto para todo mundo da lista, você joga fora cerca de R$ 8.000 por mês de receita boa para salvar R$ 2.670. Essa conta quebra exatamente aí, no desconto automático. O modelo serve para ordenar a fila, não para liberar concessão.
Outro limite honesto: com 16 eventos por mês, você acumula perto de 190 cancelamentos em um ano. É o mínimo aceitável. Abaixo de uns 100 eventos históricos, uma regra escrita à mão ("caiu o uso por 3 semanas e abriu ticket de suporte") costuma performar igual ou melhor que modelo, com um décimo do trabalho. Comece pela regra, troque por modelo quando a regra saturar.
Valor esperado do lead e previsão de receita
O segundo caso é prever quanto vale cada lead antes de o time gastar tempo com ele. É o mesmo raciocínio de LTV, mas olhando para frente: qual a probabilidade de fechar e qual ticket esperado, dado origem, segmento e porte. Com isso o orçamento para de ser distribuído por custo por lead e passa a ser distribuído por receita esperada, que são coisas bem diferentes.
O terceiro é projeção de receita. Aqui a análise preditiva é o remédio contra o chute na planilha, e já tratamos do método em previsão de receita. A regra prática: se seu erro de projeção mensal está acima de 20%, o problema é quase sempre higiene de pipeline, não modelo.
Do número previsto até a ação: onde o projeto trava
Suponha que tudo acima funcionou. Você tem uma lista semanal de clientes em risco, um valor esperado por lead e uma projeção de receita com erro aceitável. O projeto ainda pode morrer, e morre com frequência, porque a previsão chega num relatório que alguém precisa abrir, interpretar e transformar em tarefa. Esse pedaço depende de disciplina humana, e disciplina humana é o recurso mais escasso de qualquer operação enxuta.
É esse vão que o Sherlok, produto que também construímos, está atacando: o cliente conecta as fontes do negócio (marketing, vendas, financeiro, operação) e um agente passa a monitorar aqueles dados e a sugerir o próximo passo. No churn do exemplo, o agente avisaria que a lista de risco alto cresceu 40% na semana e que a concentração está nos clientes entrados por um canal específico, apontando o que fazer com isso. Importante ser preciso sobre o estágio: hoje o agente recomenda e o time executa e marca como feito. O passo seguinte do roadmap é o agente executar mediante aprovação, e depois executar sozinho, mas isso é direção de produto, não o que roda agora.
Mesmo sem ferramenta nenhuma, o princípio se aplica: se a previsão não tem dono, prazo e lugar na rotina da segunda-feira, ela não existe.
Como começar em 30 dias
Uma sequência que funciona, nessa ordem:
- Semana 1: escolha uma única decisão recorrente e mal informada. Uma. "Quem o CS liga primeiro" é uma boa.
- Semana 2: monte a tabela histórica dessa decisão, uma linha por cliente, com o que você sabia antes e o que aconteceu depois. Se você não consegue montar essa tabela, seu problema é de coleta, e previsão fica para depois.
- Semana 3: escreva uma regra manual com dois ou três sinais e rode em cima do histórico. Veja quantos dos cancelamentos ela teria pegado.
- Semana 4: coloque a lista na rotina de alguém, com meta de contato e registro de resultado. Só então discuta modelo.
Esse caminho é deliberadamente sem glamour. É também o único que vimos sobreviver ao terceiro mês em empresas sem time de dados.
Perguntas frequentes
Qual a diferença entre análise preditiva e prescritiva?
A preditiva estima o que deve acontecer: 71% de chance de cancelamento. A prescritiva recomenda a ação diante disso: ligar hoje, oferecer treinamento, não dar desconto. Na prática você precisa das duas, mas a prescritiva só faz sentido quando a previsão já é confiável.
Preciso de um cientista de dados para fazer análise preditiva?
Para a primeira versão, não. Regressão simples em planilha, função de scoring no CRM ou ferramenta de prateleira resolvem churn, valor de lead e projeção de receita em boa parte das PMEs. Cientista de dados passa a valer a pena quando o volume cresce e a diferença entre 70% e 80% de acerto vira muito dinheiro.
Quantos dados são necessários para começar?
A referência útil não é tamanho da base, é número de eventos do que você quer prever. Para churn, algo entre 100 e 200 cancelamentos históricos é o mínimo para um modelo simples se comportar. Com menos que isso, use regra de negócio explícita e colete melhor.
Análise preditiva funciona com dados ruins?
Não, e piora o problema. Modelo treinado em base suja devolve previsão errada com aparência de certeza, o que é pior que não ter previsão. Se as suas taxas de conversão por etapa não fecham hoje, arrume isso primeiro.
Em quanto tempo dá para ver retorno?
Em casos de churn e priorização de leads, de 60 a 90 dias é um prazo realista para ver efeito na receita, desde que a lista entre na rotina do time. Projeção de receita leva mais, porque você precisa de alguns ciclos fechados para medir o erro.
O recado prático
Análise preditiva deixou de ser caro e deixou de ser complicado. O que não ficou fácil foi a parte chata: dado integrado, decisão definida e alguém responsável por agir na segunda-feira. É por isso que 59% usam IA e 7% preveem algo.
Se a sua operação já gera dado suficiente e você quer transformar isso em decisão de mídia e de receita, é exatamente esse trabalho que fazemos em growth marketing na Growth Ninja: fechar a conta do que já passou, montar a previsão que importa e colocá-la na rotina de quem executa.