Quanto Custa Não Ter BI: O Cálculo que Ninguém Apresenta para o Conselho

Toda vez que apresento um projeto de Business Intelligence para uma diretoria, a pergunta que aparece na terceira ou quarta linha do rosto do CFO é sempre a mesma, mesmo quando ele não a faz em voz alta: "Mas o que eu ganho de volta?"

É a pergunta certa. E a resposta honesta é que depende. Depende do setor, do porte da empresa, da maturidade dos dados, de quão ruim está a situação hoje.

O que raramente acontece nessa conversa é a pergunta invertida: "Quanto você está perdendo por não ter BI hoje?"

Essa pergunta é mais difícil de fazer porque a resposta machuca mais. Mas é a única que coloca o investimento em perspectiva real.

O problema com a lógica do investimento em dados

Quando alguém propõe um projeto de BI para uma empresa, ele costuma vir acompanhado de uma promessa de retorno: eficiência operacional, melhora de margem, redução de custo. Isso é verdade mas é vago. "Melhora de margem" não paga o projeto no orçamento do próximo trimestre.

O problema é que o benefício do BI é distribuído ao longo do tempo e aparece em decisões individuais que, somadas, geram resultado. Não é uma linha no P&L que você aponta e diz "isso aqui foi o BI". É a campanha que você não lançou porque o dado mostrou que o segmento estava saturado. É o produto que você descontinuou antes de virar prejuízo. É o fornecedor que você renegociou porque o custo por unidade estava 8% acima da média do mercado e você só descobriu porque alguém cruzou as planilhas.

Esse tipo de retorno é real mas é difícil de medir. E o que é difícil de medir geralmente perde no orçamento para o que é fácil de medir, mesmo quando o difícil é maior.

O custo invisível da decisão sem dados: como calcular

Existe uma forma de tornar concreto o custo de não ter dados. Não é perfeita. Mas é suficientemente honesta para ser útil numa conversa de diretoria.

O método começa identificando as decisões que a empresa toma de forma recorrente sem informação adequada. Não as grandes decisões estratégicas de uma vez por ano. As decisões operacionais que acontecem toda semana ou todo mês e que, acumuladas, movem o resultado.

Passo 1: Liste as decisões recorrentes que dependem de dados

Em qualquer empresa de médio porte, existem pelo menos 10 a 15 decisões operacionais recorrentes que deveriam ser guiadas por dados mas que hoje são tomadas com base em opinião, experiência ou a última reunião. Exemplos comuns:

• Precificação de produto ou serviço (frequência: mensal ou trimestral)
• Alocação de verba de marketing por canal (mensal)
• Dimensionamento de estoque (semanal ou mensal)
• Priorização da carteira de clientes para esforço comercial (mensal)
• Avaliação de desempenho de fornecedores (trimestral)
• Definição de metas por equipe ou região (trimestral ou semestral)

Passo 2: Estime o impacto de uma decisão melhor em cada item

Isso exige honestidade. Não estou falando de uma melhora teórica de 40% porque o benchmarking de mercado diz que empresas data-driven são melhores. Estou falando de: se você tivesse informação melhor sobre esse item específico, o que mudaria na decisão?

No caso de precificação, por exemplo: com dados de sensibilidade de preço por segmento de cliente, você provavelmente conseguiria aumentar a margem de 3% a 8% sem perda relevante de volume. Em alocação de marketing: com dados de custo de aquisição por canal, você provavelmente realocaria 15% a 20% do orçamento dos canais menos eficientes para os mais eficientes.

Estime de forma conservadora. Metade do que você acredita que é possível. Isso te protege de projeção ilusória e ainda assim o número vai ser significativo.

Passo 3: Multiplique pelo impacto financeiro da decisão

Se sua empresa fatura R$ 50 milhões por ano e a precificação representa 60% das decisões de margem, uma melhora de 3% na margem bruta vale R$ 900 mil por ano. Se o orçamento de marketing é de R$ 2 milhões e você pode realocar 20% com mais eficiência, são R$ 400 mil por ano que param de ser desperdiçados.

Some os itens. Compare com o custo anual de um projeto de BI bem implementado. A maioria das empresas de médio porte fica surpresa com o resultado.

Três casos reais de custo de não ter dados

Prefiro casos concretos a projeções teóricas, então aqui vão três situações que já vi acontecer com empresas de setores diferentes.

Caso 1: Distribuidora com estoque errado

Uma distribuidora de alimentos com faturamento anual de R$ 80 milhões trabalhava com estoque baseado na intuição do gestor de compras, que tinha 18 anos de empresa e conhecia bem os produtos. O problema: o mix de produtos tinha crescido 40% nos últimos três anos com a entrada de linhas premium, e a intuição do gestor estava calibrada para o mix antigo.

Quando a empresa fez um mapeamento de dados, descobriu que 23% do estoque estava parado há mais de 90 dias e que 12% dos SKUs mais vendidos tinham ruptura recorrente. O custo do estoque parado, em capital imobilizado e deterioração, era de R$ 1,4 milhão por ano. A perda de venda por ruptura, estimada de forma conservadora, era de R$ 900 mil.

O projeto de BI que organizou o estoque com base em dados de giro, sazonalidade e lead time de fornecedor custou R$ 280 mil para implementar. O retorno ocorreu em menos de quatro meses.

Caso 2: Empresa de serviços com carteira de clientes mal priorizada

Uma empresa de serviços B2B com 450 clientes ativos e uma equipe comercial de 12 pessoas não tinha nenhum dado estruturado sobre rentabilidade por cliente. O time comercial dedicava tempo proporcional ao tamanho do faturamento de cada conta, que é a lógica mais intuitiva mas não necessariamente a mais correta.

Quando a empresa cruzou os dados de faturamento com os dados de custo de atendimento por cliente (horas de suporte, custo de deslocamento, frequência de reunião, número de contratos aditivos), o resultado foi surpreendente: 38% dos clientes no quartil de maior faturamento tinham margem negativa ou próxima de zero. E 22% dos clientes no quartil de menor faturamento eram altamente rentáveis porque geravam pouco custo de atendimento.

A empresa redistribuiu o esforço comercial com base nesses dados. Dois clientes não rentáveis foram descontinuados. Vinte e três clientes de alta margem receberam proposta de expansão de contrato. Resultado: crescimento de 18% na margem operacional sem crescimento de receita, em 9 meses.

Caso 3: Indústria com campanha de marketing desperdiçada

Uma empresa industrial de médio porte com distribuição nacional investia R$ 1,8 milhão por ano em marketing, distribuídos entre feira de negócios, campanha digital e catálogos físicos para a rede de distribuidores. A alocação era histórica. Os 30% para feiras, os 40% para digital e os 30% para material impresso existiam porque sempre foram assim.

Quando a empresa começou a rastrear a origem dos leads que viravam contrato, o dado foi difícil de engolir: 72% dos contratos fechados nos últimos 18 meses vieram de indicação e de pesquisa orgânica no Google. As feiras geravam 6% dos contratos. O material impresso para distribuidores gerava 4%.

Realocando o orçamento para os canais com resultado comprovado, a empresa gerou 31% mais contratos com o mesmo orçamento total no ano seguinte.

O argumento que os gestores usam para não investir (e por que ele falha)

"Mas a gente ainda não tem os dados organizados. Antes de investir em análise, precisa organizar os dados."

Essa lógica parece razoável e é a principal razão pela qual projetos de dados nunca começam em empresas de médio porte. O problema é que ela inverte a causalidade.

Dados organizados são um produto, não um pré-requisito. A organização dos dados acontece como parte do projeto, não antes dele. Uma empresa que espera ter os dados "prontos" para começar a analisar está esperando por uma condição que nunca vai se cumprir, porque dados em estado bruto nunca são prontos.

O ponto de partida não é a qualidade dos dados. É a pergunta que você precisa responder. A pergunta define quais dados precisam ser organizados, em que nível de qualidade e com que frequência. Começar pela pergunta é infinitamente mais eficiente do que começar por uma operação de limpeza geral de todos os dados que a empresa já produziu.

O que BI não faz (e por que isso importa na hora de calcular ROI)

Tenho a obrigação de ser honesto sobre o que o Business Intelligence não entrega, porque vender ilusão é mais fácil no curto prazo mas gera abandono de projeto no médio prazo.

BI não toma decisões. Apresenta informação que melhora a qualidade da decisão humana. Se o ambiente cultural da empresa recompensa decisões rápidas baseadas em hierarquia e pune quem questiona o superior com dados, o dashboard vai ficar lindo e parado.

BI não conserta dados ruins. Se os sistemas da empresa não registram informação de forma consistente, se há duplicação de cadastro, se a equipe de vendas não preenche o CRM, a análise vai refletir o caos dos dados de entrada. "Garbage in, garbage out" é um clichê antigo porque é verdadeiro.

BI não resolve problemas que existem na execução. Se o produto é ruim, se a equipe está mal treinada, se o processo de entrega falha sistematicamente, o dado vai mostrar o problema com clareza, mas não vai resolvê-lo. Isso é trabalho de gestão, não de analytics.

Dito isso: BI que enfrenta essas limitações com honestidade ainda gera retorno positivo. Ele tira da sombra problemas que seriam descobertos tarde demais e apresenta evidências que substituem conversas circulares de opinião por conversas produtivas sobre solução.

O ROI que aparece rápido versus o que demora

Quando uma empresa começa um projeto de BI, os primeiros retornos que aparecem raramente são os que estavam no plano de negócios inicial.

O que aparece primeiro, geralmente nas primeiras 8 a 12 semanas, são anomalias. Dados que estavam errados, inconsistências entre sistemas, processos que geravam informação que ninguém usava. Corrigir essas anomalias já tem valor, mas é difícil de colocar numa linha de ROI.

O que aparece depois, entre 3 e 6 meses, são os padrões. Sazonalidades escondidas, segmentos de clientes com comportamento diferente do esperado, produtos com performance acima ou abaixo da média por razões não óbvias. Esses padrões informam decisões que têm impacto financeiro direto.

O que aparece mais tarde, depois de 12 a 18 meses de uso consistente, é a mudança cultural. A empresa para de usar dados como argumento em reunião e começa a usar como ponto de partida. A pergunta "qual dado sustenta essa proposta?" vira rotina, não exceção. E é nesse momento que o ROI se torna composto, porque cada decisão melhor cria mais dados de qualidade que alimentam a próxima decisão melhor.

O ciclo virtuoso demora para começar. Mas quando começa, é muito difícil de parar.

Como apresentar isso para o conselho

Se você está lendo esse texto como executivo que precisa defender o investimento em BI para um board ou conselho de administração, aqui está o argumento que funciona melhor na minha experiência.

Não comece pelo custo do projeto. Comece pela decisão mais cara que a empresa tomou nos últimos 12 meses sem informação adequada. Coloque um número no custo dessa decisão: quanto foi investido, qual foi o retorno, qual teria sido o retorno com dados melhores.

Depois apresente o projeto como um seguro contra a repetição desse tipo de decisão, não como uma transformação digital com promessa de futuro brilhante. Conselho gosta de seguro. Não gosta de promessa.

Finalize com um piloto de 90 dias com escopo restrito, três perguntas de negócio específicas e uma métrica de sucesso clara. Piloto reduz risco percebido. Risco percebido reduzido abre verba que projeto completo não abriria.

A maioria dos projetos de BI que morrem na aprovação de conselho morrem porque foram apresentados como infraestrutura, não como resposta a um problema de negócio concreto. Infraestrutura compete com custo fixo. Problema de negócio compete com o custo de não resolver o problema.

Então, quanto custa não ter BI?

A resposta honesta é: depende. Mas o exercício que mais uso com gestores é simples. Pegue o faturamento da sua empresa. Estime o número de decisões operacionais recorrentes que influenciam resultado. Calcule quanto uma melhora de 5% em cada uma dessas decisões representaria em receita ou margem.

Na maioria dos casos em que faço esse exercício com empresas entre R$ 20 milhões e R$ 200 milhões de faturamento, o número fica entre R$ 800 mil e R$ 4 milhões por ano. Em perdas evitáveis, em oportunidades não capturadas, em orçamento mal alocado.

O custo de um projeto de BI bem estruturado para uma empresa desse porte fica entre R$ 150 mil e R$ 500 mil, dependendo da complexidade.

A matemática não é complicada. O que é complicado é aceitar que o custo de não agir é real, mesmo quando ele não aparece em nenhuma linha do balanço.

Arnaldo Auad é consultor em gestão, Business Intelligence e estratégia de dados na Direção e Sentido. Atua com empresas de médio porte na estruturação de projetos de dados que geram retorno mensurável.