Por Thiago Rosa
Uma rede de varejo mantinha uma loja perto do zero a zero há meses, achando que era questão de tempo. Os dados mostravam outra coisa. É esse tipo de decisão que eu ajudo a testar — com dado real, antes que ela custe caro.
Predição de faturamento utilizando séries temporais
Empresas não precisam de mais dados.
Precisam de respostas.
É a partir dessa ideia que construo minhas análises.
Só entra aqui o que realmente aconteceu. Sem resultados ilustrativos ou números inventados.
Caso real
Rede de varejo de moda com duas lojas em Cotia e uma terceira unidade em Itapevi, encerrada em 2026 após operar por um longo período próxima do zero a zero.
59% vs. 10,1%
potencial de mercado — Cotia vs. Itapevi, segundo o GeoInsight
Empresa de beleza/cosméticos com produto de assinatura cujo CAC só se pagava a partir de 6 meses de permanência do cliente — mas o tempo médio real de vida do assinante era de 4 a 5 meses.
23%
da base era fiel (6+ meses) — o restante saía antes do produto se pagar (CAC/LTV)
O trade-off real: manter o produto operando no prejuízo para preservar a fidelização desses 23%, ou cancelá-lo e redirecionar o recurso financeiro e operacional para outros produtos. A decisão foi pelo cancelamento. Metodologia: LTV/CAC.
* Os dois casos acima são reais, com dados e resultado verdadeiros — sem identificar as empresas envolvidas. "Cotia vs. Itapevi" foi calculado retrospectivamente no GeoInsight a partir de dados públicos; "Assinatura que não se pagava" veio de uma análise de LTV/CAC feita internamente, com o nome da empresa e do produto omitidos por confidencialidade. Ainda tenho poucos casos reais publicados — prefiro isso a preencher a seção com resultados ilustrativos.
Alguns problemas podem ser demonstrados em vez de explicados. Explore ferramentas que uso para transformar dados em análises que apoiam decisões.
Ver todas as 20 ferramentas →Uma das plataformas que desenvolvi para apoiar decisões de expansão e território — parte de um conjunto mais amplo de análises e ferramentas que desenvolvo, ao lado de CRM Analytics, forecast, modelagem de crédito e churn.
Solicitar demonstraçãoPreencha cidade e UF para calcular o potencial territorial.
—
Score de potencial
—
Potencial de mercado
—
Risco territorial estimado
Projeção baseada na série histórica do PIB municipal (IBGE/SIDRA) e em um ajuste estatístico que reduz a volatilidade de séries mais instáveis.
Modelo estatístico demonstrativo — não representa previsão oficial.
Explorar a metodologia →—
PIB (ano atual)
—
PIB projetado
Próximo laboratório
Dashboard Executivo — exemplo interativo de indicadores
Em breveEstudos técnicos
Research
Ver todos os estudos
Publicações completas, com metodologia e dados abertos.
Em breve"Minha loja não vende o que devia numa região específica — é o território ou é execução?"
Inteligência territorial
"Não sei se essa campanha gerou venda incremental ou só antecipou vendas que já iam acontecer."
Experimentação e incrementalidade
"Não sei quanto a mais investir em cada canal de mídia sem começar a perder dinheiro."
Marketing Mix Modeling
"Uma fatia pequena da minha base vale muito mais que o resto — mas não sei identificar quem são."
Segmentação e clusterização
"Preciso saber quem vai cancelar antes que cancele, não depois."
Modelagem de churn
"Não sei se aquele número de vendas do próximo trimestre é uma boa aposta ou um chute."
Séries temporais e forecast
Machine Learning e Inteligência Artificial são aplicados dentro de cada uma dessas frentes conforme o problema exige — não como produto em si, mas como técnica a serviço da decisão.
O mesmo caso de Cotia e Itapevi, agora passo a passo — não é um framework abstrato, é como a análise realmente aconteceu.
01 — Problema
Uma rede de varejo de moda mantinha uma terceira unidade em Itapevi que nunca decolava — perto do zero a zero por um longo período, sem sinal claro de melhora.
02 — Objetivo
Entender se o problema era pontual (execução, ponto específico) ou estrutural (o território em si).
03 — Alavancas
Cruzei renda mediana, densidade comercial, cobertura de serviços e vulnerabilidade socioeconômica por setor censitário — não por bairro ou município inteiro.
04 — Critérios
Comparar o perfil de risco territorial de Itapevi com o de Cotia, onde ficava a sede e as outras duas unidades.
05 — Priorização
Concentrar a análise na diferença de perfil territorial entre as duas cidades, depois de descartar os principais fatores operacionais da loja.
06 — Insights
Cotia apresentava potencial de mercado de 59% contra apenas 10,1% de Itapevi — quase 6x menor, mesmo as duas cidades sendo vizinhas. A vulnerabilidade territorial das duas, por outro lado, era parecida (91,9% vs. 84,7%): o problema não era risco social da região, era falta de oportunidade comercial real.
07 — Trade-offs
Manter a unidade, na esperança de reversão, ou encerrar e realocar o recurso para as duas unidades com território mais favorável.
08 — Decisão
A unidade foi encerrada em 2026. A análise apontava para um problema estrutural, e não apenas pontual.
Trabalho principalmente com problemas de crescimento, clientes, risco e expansão.
Em contextos como varejo, serviços financeiros, saúde, logística e indústria.
Não construí apenas uma consultoria — construí um laboratório de inteligência analítica. Explore dados, modelos e simulações interativas: do território ao desenho de experimentos.
Ver todos os Labs →
Sou Thiago Rosa. Trabalho com dados há mais de 10 anos e passei boa parte da minha carreira tentando responder uma pergunta simples: como transformar uma quantidade enorme de informação em uma decisão que alguém consiga realmente tomar?
Criei a TSR Insights para continuar fazendo esse trabalho de forma independente — construindo análises, modelos e ferramentas, e colocando parte desse processo em público.
Tecnologias e dados utilizados