Já fizemos.
Em escala.

Área nova, muito dado bruto, 3 horas por dia de trabalho e ninguém via o resultado de cada ponto. Levantamos os requisitos com a gestão, integramos as fontes e ligamos os indicadores à meta. O painel passou a orientar remanejamento de pontos, mídia local e prioridade de reparo.

• +6% de faturamento acima da meta
• −19% no orçamento, com investimento guiado por dado
• 905 pontos sinalizados (meta: 800)
• 3h → 10 min de trabalho diário
• Na sua empresa: ranking de unidades, margem por ponto e onde investir em mídia e manutenção primeiro

Pontos eram abertos e remanejados por percepção. Definimos critérios claros e chegamos a um mapa de calor com os locais ideais.

• Critérios que fazem um ponto vender mais
• Um mapa por critério, compilados em uma única camada
• Mapa de calor que aponta os locais ideais para novos pontos
• Na sua empresa: onde abrir a próxima unidade, qual mudar de lugar e quanto uma nova rouba da vizinha

Outros resultados do time em empresas de grande porte.

• +7% de disponibilidade média dos equipamentos, com recorde todo mês (mobilidade)
• R$ 70 mil de desperdício encontrado em contrato de fornecedor, com correção (mobilidade)
• −93% de etapas operacionais, com hub de dados e painel único (mobilidade)
• Multinacional de bebidas: preço, promoção e visibilidade no varejo alimentar e em apps de delivery

Qual abordagem prevê melhor a demanda? Testamos 8 modelos, do mais simples ao híbrido com machine learning, sobre 13 anos de demanda mensal de metrô, com feriados e pandemia, avaliados em 12 meses. O ETS errou 2,78%; o híbrido com ML, 5,21%. Escolha pela evidência, não pela moda.

• 13 anos de demanda mensal
• 8 modelos comparados em 12 meses
• Na sua empresa: previsão de demanda, receita ou estoque, com o modelo certo para o seu dado e a prova de quanto ele erra

Estudo de método com dados públicos de metrô. Não é projeto de cliente.