Resumo Executivo

Enzo Canavesi Luizetto; Paula Bruzadelle Vieira

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Historicamente, o setor de manutenção e reparação de bens de consumo, especialmente no âmbito das microempresas, operava sob uma lógica de baixa competitividade e pressão de mercado reduzida. Nesse contexto, a reparação de equipamentos elétricos era vista como uma escolha natural e raramente questionada pelos consumidores, uma vez que a oferta de novos produtos era limitada e os custos de aquisição de bens substitutos eram elevados. Conforme aponta Porter (1980), em ambientes de rivalidade contida, há um estímulo menor para a busca por eficiência operacional extrema, permitindo que as organizações atuem de forma reativa sem a necessidade imediata de diferenciação ou otimização de processos internos. A cultura do reparo era sustentada pela longevidade dos projetos industriais da época, que visavam a durabilidade e facilitavam o acesso a componentes de reposição, como observa Slage (2006). Entretanto, a intensificação da globalização e a abertura de mercados transformaram radicalmente essa dinâmica, elevando as exigências dos consumidores em relação a prazos, custos e qualidade técnica.

A sobrevivência no mercado contemporâneo exige que as empresas de serviços se adaptem a um ambiente organizacional que demanda respostas rápidas e flexibilidade constante (Daft, 2003). No segmento de reparos elétricos, o foco deslocou-se para a garantia de agilidade e para a manutenção de uma alta rotatividade de equipamentos, visando a fidelização do cliente por meio de um serviço eficiente que evite a substituição prematura por itens novos. Chopra (2003) destaca que a gestão moderna deve focar na minimização de estoques e na garantia de um fluxo contínuo de componentes, otimizando a disponibilidade de itens críticos e reduzindo desperdícios operacionais. Para as microempresas, o desafio reside na capacidade de avaliar rapidamente o estado de um equipamento e apresentar uma proposta comercial que seja competitiva e lucrativa ao mesmo tempo. A sustentabilidade do negócio depende, portanto, de ações ágeis e coerentes com as flutuações do mercado (Carvalho; Rabechini Jr., 2008).

Dentro dessa necessidade de otimização, a aplicação de métodos estatísticos avançados, como a regressão logística binária, surge como uma solução estratégica para prever comportamentos e subsidiar a tomada de decisão. A regressão logística é uma ferramenta poderosa para modelar a probabilidade de ocorrência de um evento binário, sendo amplamente utilizada em cenários onde a variável dependente assume apenas dois valores possíveis (Fávero; Belfiore, 2019). No caso da gestão de reparos, essa técnica permite estimar a probabilidade de um orçamento ser aprovado ou reprovado pelo cliente com base em variáveis preditoras específicas, como o custo total do serviço e o valor de mercado de um equipamento novo. O objetivo central é fornecer ao gestor uma base quantitativa que minimize o esforço em orçamentos com alta probabilidade de rejeição, otimizando o tempo da equipe técnica e os recursos da empresa.

A fundamentação metodológica deste estudo baseia-se no processo CRISP-DM (Cross Industry Standard Process for Data Mining), que oferece uma estrutura cíclica e robusta para projetos de ciência de dados, dividida em seis fases essenciais: entendimento do negócio, entendimento dos dados, preparação dos dados, modelagem, avaliação e implementação (Chapman et al., 2000). Na fase inicial de entendimento do negócio, identificou-se que o fluxo operacional de uma microempresa do setor de reparos elétricos inicia-se com a captação do equipamento, seguida pelo cadastro e identificação detalhada, que consome em média 15 min. A análise técnica subsequente, que envolve diagnósticos e testes funcionais, demanda cerca de 45 min, enquanto a elaboração do orçamento leva aproximadamente 23 min. O ponto crítico identificado reside na etapa de solicitação de aprovação; quando um orçamento é reprovado, o processo torna-se oneroso, pois todo o fluxo anterior foi percorrido sem retorno financeiro, resultando em um tempo médio de 65 min desperdiçados na remontagem e devolução de itens não faturados.

Para o entendimento dos dados, utilizou-se um conjunto de registros de uma microempresa onde cada entrada de equipamento é identificada de forma única. Os dados brutos continham informações sobre marca, modelo, defeitos relatados e valores financeiros. Observou-se que a inserção manual de dados no sistema da empresa era suscetível a erros humanos, como duplicidades e inconsistências na formatação numérica. Na fase de preparação, realizada em ambiente Python via Google Colab, foi necessário converter variáveis temporais para o formato datetime64 e tratar valores ausentes em atributos críticos. A variável dependente, denominada situação, foi codificada de forma binária, atribuindo-se o valor 0 para orçamentos aprovados e 1 para reprovados. Variáveis financeiras como valor do equipamento novo, custo do serviço, custo de peças e custo total foram convertidas para o tipo float64 para permitir cálculos estatísticos precisos. Além disso, criou-se a variável razão, que representa a relação percentual entre o custo do reparo e o valor de um equipamento novo, funcionando como um indicador de custo-benefício para o consumidor.

A etapa de modelagem envolveu a aplicação do Modelo Linear Generalizado (GLM) com a função de ligação logit. Inicialmente, todas as variáveis explicativas foram incluídas no modelo para avaliar sua significância estatística. Para refinar a seleção dos preditores, aplicou-se o procedimento Stepwise, que seleciona automaticamente as variáveis que mais contribuem para o poder preditivo do modelo, eliminando aquelas com p-valor elevado. Durante esse processo, variáveis como custo do serviço e custo das peças foram descartadas devido à alta colinearidade, evidenciada por uma análise de VIF (Variance Inflation Factor) que apresentou valores extremamente elevados, indicando redundância na informação. O modelo final ajustado reteve apenas as variáveis custo total do reparo e razão, ambas apresentando forte significância estatística com p-valor inferior a 0,001.

A validação do modelo foi conduzida por meio de métricas de desempenho rigorosas. Utilizou-se a matriz de confusão para avaliar a precisão das classificações, além do cálculo da acurácia, precisão e revocação. A curva ROC (Receiver Operating Characteristic) foi gerada para medir a capacidade de discriminação do modelo, resultando em uma área sob a curva (AUC) de 0,9309, o que indica um desempenho excelente na separação entre as classes de aprovação e reprovação (Swets, 2019). Para a definição do ponto de corte (cutoff) ideal, analisou-se a intersecção entre as curvas de sensibilidade e especificidade. O gestor optou por um cutoff de 0,2, priorizando a sensibilidade na detecção de reprovações. Essa escolha estratégica visa minimizar o risco de avançar com orçamentos que provavelmente serão rejeitados, mesmo que isso resulte em um aumento controlado de falsos positivos, ou seja, orçamentos classificados como prováveis reprovações que poderiam ser aprovados.

Os resultados obtidos revelaram que a taxa inicial de reprovação de orçamentos na empresa era de 35,8%, um valor considerado elevado e prejudicial à eficiência operacional. A análise dos coeficientes do modelo logístico final mostrou que a variável custo total do reparo possui um coeficiente positivo de 0,0103. Isso implica que, para cada unidade monetária de aumento no custo do reparo, a probabilidade de o orçamento ser reprovado aumenta significativamente. Em contrapartida, a variável razão apresentou um coeficiente negativo de -0,0086. Esse resultado sugere uma associação inversa: quanto maior a razão entre o custo do reparo e o valor de um novo equipamento, menor a probabilidade de reprovação, desde que o valor absoluto do reparo não seja proibitivo. Essa dinâmica reflete a percepção de valor do cliente, que tende a aprovar o conserto quando o custo do equipamento novo é muito superior ao valor do reparo, tornando a manutenção uma opção economicamente vantajosa.

A discussão dos dados, apoiada pela análise de boxplots, evidenciou a presença de outliers em quase todas as variáveis numéricas. No entanto, verificou-se que esses valores discrepantes eram inerentes à natureza do negócio, representando equipamentos de alta complexidade ou de marcas premium, cujos custos de reparo e valores de mercado fogem do padrão médio. A variável valor novo apresentou a maior amplitude, com muitos registros concentrados abaixo da mediana, mas com picos que ultrapassavam R$ 1500. A variável total também demonstrou uma variação ampla, compatível com a agregação de custos de peças e mão de obra especializada. A decisão de manter esses outliers no modelo foi fundamental para garantir que a ferramenta fosse capaz de lidar com a diversidade real de atendimentos da microempresa.

A implicação prática do modelo permitiu a criação de faixas de risco para a tomada de decisão. Estabeleceu-se que orçamentos com probabilidade de reprovação inferior a 33% e valores totais de até aproximadamente R$ 213 seriam classificados como de baixo risco. Nessas condições, o processo segue o fluxo normal com alta confiança na aprovação. A faixa de risco médio compreende probabilidades entre 33% e 66%, com valores entre R$ 180 e R$ 260, exigindo uma análise mais criteriosa ou a oferta de condições facilitadas de pagamento. Já o alto risco é caracterizado por probabilidades de reprovação superiores a 66% e valores acima de R$ 260. Para esses casos, o modelo sugere que o empreendedor deve ser cauteloso antes de realizar a desmontagem completa do equipamento, podendo solicitar uma autorização prévia ou realizar uma triagem mais superficial para evitar o desperdício de 65 min de trabalho técnico em caso de rejeição.

A comparação dos resultados com a literatura reforça a importância da agilidade decisória mencionada por Carvalho e Rabechini Jr. (2008). Ao utilizar uma ferramenta preditiva, a microempresa deixa de operar de forma puramente intuitiva e passa a adotar uma cultura orientada por dados. A redução do número de propostas reprovadas após a desmontagem impacta diretamente na lucratividade, pois libera a equipe técnica para focar em serviços com maior potencial de conversão em receita. Além disso, a transparência gerada pelo modelo permite que o gestor explique ao cliente, de forma fundamentada, a viabilidade econômica do reparo, aumentando a confiança na relação comercial.

As limitações deste estudo residem na natureza manual da coleta de dados, que pode introduzir vieses se não houver um controle rigoroso de qualidade. A ausência de uma interface de integração direta com o software de gestão da empresa também representa um desafio para a implementação em tempo real, exigindo processos de exportação e tratamento de dados em sistemas paralelos. Para pesquisas futuras, sugere-se a automação da coleta de dados e a inclusão de variáveis qualitativas, como o tempo de vida útil do equipamento e a urgência do cliente, que podem aumentar ainda mais a precisão do modelo logístico. A expansão da amostra para outras microempresas do mesmo setor também permitiria a generalização dos resultados e a criação de um benchmark setorial para taxas de aprovação de orçamentos.

A análise da curva ROC e do coeficiente de Gini (0,8618) confirmou que o modelo possui um poder preditivo muito superior ao acaso, validando a escolha da regressão logística binária como método estatístico adequado para este problema de negócio. A sensibilidade alcançada com o cutoff de 0,2 permitiu identificar corretamente a grande maioria das reprovações, cumprindo o objetivo de reduzir o desperdício operacional. Mesmo com o aumento de falsos positivos, o custo de classificar erroneamente um orçamento como provável reprovação é significativamente menor do que o custo de realizar todo o trabalho técnico em um equipamento que acabará sendo devolvido sem reparo. Essa abordagem conservadora alinha-se aos interesses do empreendedor em otimizar recursos escassos.

A implementação dessa ferramenta estratégica não apenas melhora a eficiência operacional, mas também promove uma transformação cultural dentro da organização. A inserção da cultura de análise de dados permite que os colaboradores compreendam melhor os fatores que influenciam o sucesso das vendas e a satisfação dos clientes. O uso de dashboards para monitoramento de indicadores-chave de desempenho (KPIs) baseados nos resultados do modelo oferece uma visão clara da saúde financeira e operacional do negócio, permitindo ajustes rápidos em estratégias comerciais e de precificação. Em última análise, a ciência de dados aplicada ao ambiente das microempresas demonstra ser um diferencial competitivo crucial em mercados cada vez mais saturados e exigentes.

Conclui-se que o objetivo foi atingido, uma vez que o modelo de regressão logística binária desenvolvido demonstrou alta eficácia na estimativa da probabilidade de aprovação de reparos em equipamentos elétricos. A identificação das variáveis custo total e razão como os principais preditores de reprovação forneceu ao empreendedor uma base sólida para a tomada de decisão, permitindo a redução de desperdícios de mão de obra e a otimização do fluxo operacional. A aplicação da metodologia CRISP-DM garantiu o rigor técnico necessário para a transformação de dados brutos em inteligência de negócio, resultando em uma ferramenta prática que alinha a operação da microempresa às exigências de agilidade e competitividade do mercado contemporâneo.

Referências Bibliográficas:

Carvalho, M. M.; Rabechini Jr., R. (2006). Construindo competências para gerenciar projetos: teoria e casos. Editora Atlas.
Chapman, P.; et al. (2000). CRISP-DM 1.0: step-by-step data mining guide. SPSS Inc.
Chopra, S.; Meindl, P. (2016). Gestão da cadeia de suprimentos: estratégia, planejamento e operação. 6ed. Pearson.
Daft, R. (2008). Organizações: teoria e projetos. 2ed. Cengage Learning.
Fávero, L. P.; Belfiore, P. K. (2019). Métodos quantitativos com Stata: práticas para a análise de dados. Atlas.
Porter, M. E. (1980). Competitive strategy: techniques for analyzing industries and competitors. Free Press.
Slage, G. (2006). Made to break: technology and obsolescence in America. Harvard University Press.
Swets, J. A. (2019). Signal detection theory and ROC analysis in psychology and diagnostics: collected papers. Routledge.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em MBA em Data Science, Inteligência Artificial e Analytics

Saiba mais sobre o curso, clique aqui