O problema não era ausência de dado. Era o custo de transformá-lo em projeção útil
Antes do projeto, o forecast era produzido em planilhas, com consolidação manual de diferentes fontes e dependência direta de profissionais experientes para montar, revisar e ajustar a previsão. Esse processo podia levar até duas semanas para chegar a uma versão final.
O custo dessa lentidão era alto. O primeiro impacto recaía sobre a operação. Pessoas com repertório analítico e visão de negócio passavam parte significativa do tempo em tarefas repetitivas de organização e conferência. O segundo impacto recaía sobre a qualidade da decisão. Quando a previsão ficava pronta, parte do contexto já havia mudado. O terceiro impacto recaía sobre a governança. Como o conhecimento estava concentrado em indivíduos e não em uma estrutura estável, qualquer mudança exigia apoio técnico e muito esforço de reprocessamento.
Além disso, o time não dispunha de um simulador de negócio com ajuste rápido. Testar cenários, medir o efeito de uma campanha ou entender a consequência de uma decisão comercial exigia uma nova rodada de trabalho, o que tornava a operação pouco aderente à velocidade do canal.
Um modelo para prever, simular e ajustar sem travar a operação
A resposta foi construir uma estrutura preditiva que unisse velocidade de execução, controle de modelo e autonomia de uso.
A MATH desenvolveu o Forecast 360 para automatizar a geração de previsões e transformar o forecast em uma ferramenta contínua de apoio à gestão. A arquitetura integrou as fontes já existentes, estruturou o tratamento dos dados e aplicou modelos de regressão e séries temporais para capturar tendências, sazonalidades e efeitos de calendário de forma mais consistente.
A stack foi desenhada com foco em controle e previsibilidade. O backend em Python, a integração com SAS via saspy, o tratamento com pandas e a modelagem com Prophet permitiram criar uma solução explicável, auditável e financeiramente mais estável do que abordagens dependentes de plataformas com custo variável crescente.
Na camada de uso, a MATH entregou um portal interativo em Streamlit com visualização em Plotly, permitindo que o próprio time gerencial ajustasse cenários e simulasse indicadores de negócio sem depender de uma fila técnica. Esse ponto muda o papel do forecast: ele deixa de ser apenas uma entrega periódica e passa a funcionar como ambiente de decisão.
A governança foi aplicada desde o desenho do modelo até a infraestrutura. A previsão passou a capturar tendências, sazonalidade e impacto de feriados de forma explícita, com leitura mais transparente do comportamento do canal e sem transformar a modelagem em uma caixa opaca.
O projeto não acelerou apenas um relatório. Ele colocou a simulação de negócio na mão de quem precisa decidir.
O tempo caiu, a confiança subiu e a operação ganhou margem para pensar
O primeiro ganho foi tempo. O forecast deixou de consumir até duas semanas e passou a ser executado em minutos. Isso altera profundamente a utilidade da previsão, porque ela deixa de servir apenas ao fechamento e passa a apoiar ajuste de rota.
O segundo ganho foi qualidade. A assertividade das previsões aumentou em 85%, elevando a confiança do time gerencial e dos superintendentes sobre os números usados para orientar decisões.
O terceiro ganho foi capacidade. Com a remoção de cerca de 80 horas por mês de esforço manual, a operação recuperou 960 horas por ano. Esse tempo deixou de ser consumido por consolidação repetitiva e voltou para atividades mais estratégicas.
O quarto ganho foi autonomia. O simulador permitiu que o time ajustasse cenários sem suporte técnico constante, o que reduziu dependência operacional e aproximou a análise do momento real em que a decisão precisa ser tomada.
O efeito combinado é claro: mais velocidade sem perda de controle, mais previsibilidade sem aumentar a complexidade e mais inteligência aplicada sem inflar custo estrutural.
