"Qual cidade tem mais potencial?" é a pergunta que respondemos no estudo anterior. Mas quem já operou uma rede de varejo sabe que essa pergunta, sozinha, é incompleta. Duas lojas na mesma cidade podem ter desempenhos completamente diferentes dependendo do bairro, da quadra, da rua. A cidade é a unidade que aparece no noticiário — o setor censitário é a unidade que realmente decide se uma loja vende ou não.
Este estudo explica por que a granularidade da análise espacial importa tanto quanto os dados em si, e como isso já está implementado no TSR LAB.
O problema de agregar demais
Quando analisamos só no nível de cidade, escondemos a variação interna. Uma cidade grande e heterogênea — pense em qualquer município da Grande São Paulo — pode ter, ao mesmo tempo, uma região com forte concentração de renda e comércio e outra com perfil totalmente diferente, a poucos quilômetros de distância. A média da cidade não representa nenhuma das duas regiões de verdade.
Um exemplo real, direto da nossa própria calculadora: comparamos Barueri e Cotia recentemente. Barueri teve um score de potencial mais alto — mas apenas 11,7% do seu território está de fato em clusters de alto potencial comercial, com 46,4% em clusters de risco. Ou seja: o resultado positivo da cidade inteira vem de bolsões específicos, não de uma uniformidade territorial. Isso só fica visível quando a análise desce ao nível de setor — e é exatamente isso que buscamos evitar esconder.
A unidade certa: o setor censitário
O setor censitário é a menor divisão geográfica oficial usada pelo IBGE — em áreas urbanas, costuma cobrir de algumas centenas a poucos milhares de domicílios. É granular o suficiente para capturar a diferença entre uma avenida comercial e a rua residencial ao lado, mas ainda assim é uma unidade com dado público estruturado por trás (Censo 2022, CNEFE), o que a diferencia de recortes informais como "bairro", que não têm fronteira oficial nem dado padronizado associado.
No TSR LAB, cada um dos ~103 mil setores do Estado de São Paulo carrega seu próprio perfil: renda estimada, densidade de pontos de interesse comerciais (OpenStreetMap), cobertura de serviços de saúde e ensino (CNEFE), e o cluster socioeconômico ao qual pertence.
O que a análise espacial revela, na prática
1. Bolsões dentro da cidade
Em vez de tratar um município como um bloco único, o mapa mostra onde exatamente estão os setores de maior densidade comercial e renda — essencial para decidir em qual região da cidade, não só em qual cidade, vale investir.
2. Fronteiras de mercado que nem sempre seguem a divisão administrativa
Como princípio geral de análise espacial (não um achado específico demonstrado aqui): um bairro de alto padrão próximo à divisa entre dois municípios pode, em tese, ter mais em comum com o bairro do outro lado da linha do que com o centro da própria cidade. Trabalhar no nível de setor censitário, em vez de município, é o que permite investigar esse tipo de continuidade geográfica quando ela existe — mas isso precisa ser verificado caso a caso, não assumido.
3. Concentração de risco, não só de oportunidade
Da mesma forma que a análise revela bolsões de alto potencial, ela revela concentrações de risco — regiões classificadas nos clusters de menor renda ou menor cobertura de dados. Isso importa tanto para decisão de expansão quanto para dimensionamento de operação (cobertura de entrega, alocação de equipe de campo, etc.).
Como isso aparece no mapa
No TSR LAB, cada setor é colorido pelo cluster ao qual pertence, com a mesma legenda de personas territoriais usada no GeoInsight AI. Ao filtrar por município, é possível visualizar exatamente onde ficam os setores de cada perfil — a mesma lógica que gera o potencial_mercado_pct exibido na calculadora, só que de forma visual e explorável.
O que essa abordagem não faz
Análise espacial com dado público mostra estrutura territorial — não fluxo real de pessoas, não tráfego de pedestres, não dado de ponto de venda. Ela reduz drasticamente o espaço de busca e aponta as regiões mais prováveis, mas a decisão final de um endereço específico ainda depende de visita de campo, negociação de ponto e, idealmente, dado próprio do negócio (é aqui que entra a próxima camada do nosso trabalho: cruzar isso com a base de clientes real do cliente, não só dado público).
Onde isso vai
O próximo passo natural é sair da análise descritiva (o que o território é hoje) para a análise preditiva (como a demanda deve evoluir) — o tema do nosso próximo estudo, ainda em construção.
Quer explorar isso você mesmo? O TSR LAB mostra os ~103 mil setores censitários de São Paulo, filtráveis por município, com a mesma base que gera o score do GeoInsight AI.