Decisão baseada em dados: o que a ciência já provou sobre vender com evidência

A intuição é boa conselheira e péssima gestora

Todo gestor comercial conhece alguém que "tem faro". Aquele profissional que olha o funil e sabe onde o negócio vai travar. Às vezes ele acerta. O problema é que ninguém sabe medir quantas vezes ele errou, e essa é exatamente a diferença entre uma organização que aprende e uma organização que torce.

A decisão baseada em dados não é uma preferência de estilo gerencial. É um dos temas mais estudados da economia da tecnologia, com evidência acumulada há mais de uma década em universidades e consultorias. E o consenso que emerge desses estudos é menos glamouroso e mais útil do que o discurso de inovação sugere: dados não substituem julgamento, eles reduzem o custo do erro.

O que a evidência científica mostra

O trabalho mais citado sobre o tema é o estudo de Erik Brynjolfsson, Lorin Hitt e Heekyung Kim, do MIT, publicado em 2011 e baseado em dados detalhados de 179 grandes empresas de capital aberto. A conclusão é direta: empresas que adotam decisões baseadas em dados e analytics apresentam produtividade e resultado superiores às demais, e os autores argumentam que os resultados não parecem decorrer de causalidade reversa, ou seja, não é apenas o caso de empresas já boas adotarem dados.

Um desdobramento posterior do mesmo grupo de pesquisa, assinado por Brynjolfsson e Kristina McElheran, encontrou que o uso mais intenso de decisão baseada em dados está associado a um aumento estatisticamente significativo de 3% ou mais em produtividade, e que as melhorias aparecem depois da adoção da prática, o que reforça a hipótese causal.

Na frente comercial, a McKinsey mediu o efeito em receita. Empresas que usam motores de crescimento B2B orientados por dados reportam crescimento acima do mercado e aumento de EBITDA na faixa de 15% a 25%. O mesmo estudo aponta que 64% das empresas B2B afirmavam esperar aumentar investimentos em analytics preditivo.

E há o dado que mais interessa a quem vende: em análise sobre analytics comercial B2B, a McKinsey encontrou que empresas que efetivamente operam as ferramentas de análise têm retorno sobre vendas até cinco pontos percentuais superior ao dos pares. A ressalva importante vem no mesmo texto: historicamente, empresas B2B ficam atrás das B2C na adoção dessas ferramentas. Ou seja, a vantagem está disponível justamente porque poucos ocuparam o espaço.

Por que dado sem processo produz nada

Aqui vale uma honestidade que os relatórios de fornecedor costumam omitir. Os estudos medem organizações que usaram analytics, não organizações que compraram dashboards. A distância entre as duas coisas é o tema central do problema.

Um painel bonito que ninguém abre na segunda-feira não muda decisão nenhuma. Uma planilha que só é atualizada no fechamento do mês não ajuda a corrigir a rota. Um relatório que mostra leads mas não mostra taxa de conversão por etapa informa volume, não informa causa.

O padrão que aparece nos casos de sucesso tem três características recorrentes. Primeiro, os indicadores são poucos e escolhidos por causa da decisão que eles informam, não pela facilidade de medi-los. Segundo, eles aparecem com frequência compatível com a velocidade da decisão: se a decisão é semanal, o dado semanal serve; se a decisão é diária, o dado mensal é inútil. Terceiro, o dado é confrontado com a hipótese: o gestor olha o número, formula uma explicação e testa.

A McKinsey detalha esse comportamento em seu material sobre cockpits de performance comercial, ao observar que os melhores executivos de venda avaliam metas não apenas pelo resultado final, mas pelos seus vetores, incluindo indicadores de atividade e efetividade como visitas, tempo dedicado por conta, velocidade do funil e taxa de ganho. A lógica é simples e poderosa: indicador de resultado avisa quando já é tarde, indicador de atividade avisa enquanto ainda dá tempo.

O erro mais comum é medir o que é fácil

Existe uma armadilha silenciosa na gestão orientada por dados: substituir julgamento por contagem. Quando a equipe percebe que o número vira cobrança, ela passa a otimizar o número, e não o resultado. Ligação vira quantidade de ligações. Atendimento vira tempo médio. Prospecção vira volume de contatos, mesmo que os contatos sejam ruins.

A saída não é abandonar a métrica, é combinar pares que se vigiam mutuamente. Volume de ligações só significa algo ao lado da taxa de conexão e da taxa de avanço no funil. Tempo médio de atendimento só significa algo ao lado da taxa de resolução no primeiro contato. Nenhum indicador isolado conta a verdade, porque qualquer indicador isolado pode ser burlado.

Como a Nettcom ajuda a tornar o dado utilizável

A maior parte das empresas brasileiras não sofre de escassez de dado. Sofre do contrário: dado demais em lugares demais, e nenhum lugar onde ele se junte. É nesse ponto exato que a atuação da Nettcom começa.

O Nettcom One concentra telefonia, WhatsApp, CRM e helpdesk em um painel único. O efeito sobre decisão é imediato, porque a conversa, a ligação e o registro comercial deixam de ser universos separados. Taxa de conversão por canal, tempo de primeira resposta, quantidade de negociações por etapa e ticket médio passam a vir da mesma fonte, o que elimina a discussão sobre qual planilha está certa.

Com o histórico unificado, o dado sobrevive à saída das pessoas. Esse detalhe costuma ser subestimado: em muitas operações, a base analítica se perde quando o vendedor que detinha o relacionamento deixa a empresa, porque o histórico estava na conta pessoal dele. Um sistema em que o relacionamento pertence à empresa garante continuidade da série histórica, e série histórica é o que permite comparar e detectar tendência.

As automações e agentes de IA cumprem outro papel na cadeia da decisão: transformam o registro em consequência do trabalho, e não em tarefa extra. Quando o atendimento gera dado automaticamente, o gestor recebe informação limpa sem precisar cobrar preenchimento. Isso ataca a causa mais comum de base de dados inútil, que é o campo preenchido com pressa e má vontade.

E os relatórios em tempo real fecham o ciclo, porque colocam os indicadores na mão de quem decide enquanto a decisão ainda pode ser tomada. A plataforma não decide nada por ninguém. Ela entrega a condição que falta na maioria das operações, que é enxergar o funil com clareza suficiente para formular uma hipótese.

O primeiro passo é menos sofisticado do que parece

Se fosse preciso resumir o caminho em uma frase, seria esta: escolha três decisões que você toma toda semana e descubra qual dado informaria cada uma. Não comece pelo painel, comece pela pergunta.

A partir daí, o teste é de consistência. Se o dado não está disponível em tempo hábil, o problema é de infraestrutura, não de análise. Se está disponível mas ninguém usa, o problema é de relevância, não de ferramenta. Diagnosticar qual dos dois é o caso economiza meses de projeto.

Quer identificar quais dados já existem na sua operação e não estão sendo usados? Converse com um consultor da Nettcom pelo WhatsApp: clique aqui para falar.

Fontes

• Brynjolfsson, Erik; Hitt, Lorin M.; Kim, Heekyung Helen. "Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance?" MIT Initiative on the Digital Economy, 2011.

• Brynjolfsson, Erik; McElheran, Kristina. "Data-Driven Decision Making in Action." MIT Initiative on the Digital Economy, Research Brief.

• McKinsey & Company. "Insights to Impact: Creating and Sustaining Data-Driven Commercial Growth." 18 de janeiro de 2022.

• McKinsey & Company. "B2B Commercial Analytics: What Outperformers Do." 14 de dezembro de 2021.

• McKinsey & Company. "Commercial Performance Cockpit: A New Era for Data-Driven Steering." 8 de abril de 2021.

• Berman, Ron; Israeli, Ayelet. "The Value of Descriptive Analytics: Evidence from Online Retailers." Harvard Business School Working Paper 21-067, 2021.