O que os clientes dizem sobre trabalhar com modelos preditivos
Experiências reais de gestores e equipes que integraram análise preditiva às suas decisões de negócio.
+60
projetos entregues
4.7
avaliação média
92%
clientes retornam
6
anos de atuação no Brasil
Depoimentos
Relatos de quem trabalhou com a Boitatá
Cláudia Ferreira
Diretora Comercial, São Paulo – SP
Contratamos o programa de Análise Preditiva para Pequenas Operações para estimar nossa demanda mensal por linha de produto. O que me chamou atenção foi a honestidade da equipe sobre as limitações do modelo — eles explicaram claramente em quais condições a previsão seria menos confiável. Isso foi mais útil do que um número pontual sem contexto.
Abril de 2025
Marcelo Oliveira
Gerente de Operações, Curitiba – PR
Usamos o Programa Multi-Dimensional para estimar churn e demanda ao mesmo tempo. O processo levou um pouco mais do que esperávamos — umas 8 semanas no total — mas o resultado fez sentido. A validação cruzada entre os dois modelos nos deu uma visão que não teríamos separando as análises. Boa experiência no geral.
Março de 2025
Tatiane Alves
Analista de BI, Porto Alegre – RS
Já trabalhei com outras empresas de dados antes e a diferença mais notável aqui foi a documentação. Eles entregaram não só o modelo, mas um documento detalhando por que certas variáveis foram incluídas, quais foram descartadas e o que isso significa para as previsões. Isso facilitou muito a apresentação interna para a diretoria.
Abril de 2025
Roberto Souza
CEO, empresa de logística, Londrina – PR
Antes de contratar, questionei muito se nossos dados eram suficientes para um modelo confiável. A equipe fez um diagnóstico honesto e identificou lacunas que precisavam ser corrigidas antes de avançar. Esse cuidado inicial evitou que investíssemos em algo que não funcionaria com os dados que tínhamos. Depois da correção, o projeto rodou bem.
Maio de 2025
Paula Lima
Head de Produto, startup de SaaS, Florianópolis – SC
Trabalhamos com o Programa Multi-Dimensional para modelar churn de clientes. A parte de interpretação usando SHAP foi o que mais agradou a nossa equipe de produto — entender quais comportamentos dentro do app mais influenciavam a saída de clientes foi muito mais acionável do que saber apenas a probabilidade agregada.
Março de 2025
Gustavo Batista
Controller, empresa de varejo, Curitiba – PR
O modelo de previsão sazonal de vendas que desenvolvemos juntos está integrado à nossa planilha de planejamento há cinco meses. O retreinamento trimestral fez diferença notável na precisão — percebo que o modelo se ajustou ao comportamento pós-Copa que não estava no histórico original. Recomendo para quem quer começar de forma estruturada.
Abril de 2025
Estudos de caso
Projetos em detalhe
Previsão de demanda para distribuidora de alimentos — Paraná
Solução 01 — Análise Preditiva para Pequenas Operações | 4 semanas | Março–Abril 2025
Desafio
A empresa planejava compras de estoque com base em intuição e média histórica simples, resultando em excesso de produtos perecíveis no verão e falta no inverno. O desperdício representava custo significativo para a operação.
Solução
Desenvolvemos um modelo de séries temporais com decomposição sazonal usando 26 meses de dados de vendas por SKU. O modelo foi integrado a uma planilha que a equipe de compras já utilizava, com atualização mensal dos dados pelo próprio time.
Resultados
Redução de 23% no volume de produtos descartados por vencimento no trimestre seguinte à implantação. A equipe de compras passou a usar os intervalos de confiança para definir estoques de segurança de forma mais precisa.
"O modelo não substitui o julgamento da nossa equipe, mas organiza a discussão em torno de dados concretos. Isso mudou como conversamos sobre planejamento." — Gerente de Compras
Modelos de churn e upsell para plataforma de SaaS — Santa Catarina
Solução 02 — Programa Preditivo Multi-Dimensional | 9 semanas | Fevereiro–Abril 2025
Desafio
A plataforma tinha alto churn em clientes com menos de 90 dias de uso, sem conseguir identificar padrões comportamentais que antecipavam a saída. A equipe de customer success agia de forma reativa, após o cancelamento já ter ocorrido.
Solução
Desenvolvemos dois modelos interconectados: um de probabilidade de churn nos primeiros 90 dias e um de propensão a upgrade para o plano superior. A análise SHAP identificou que frequência de login e completude do onboarding eram os fatores mais preditivos para ambos.
Resultados
O time de CS passou a priorizar ações proativas com clientes de alta probabilidade de churn. No primeiro mês de uso, identificaram 38 contas em risco das quais conseguiram reter 21. A taxa de churn em 90 dias caiu de 14% para 9,4% no trimestre seguinte.
"Saber quais comportamentos mais explicam a saída de clientes foi mais valioso do que o número de probabilidade em si. Usamos isso para redesenhar parte do onboarding." — Head de Produto
Entre em contato com a equipe
Disponíveis para conversar sobre análise preditiva nos horários abaixo.
Endereço
Rua Comendador Araújo, 731
Centro, Curitiba – PR
Atendimento
Seg–Sex: 9h–18h
Sáb: 9h–13h
Credenciais
Reconhecimentos e afiliações
Membro ABES-RS
Associação Brasileira das Empresas de Software
Parceiro AWS
Projetos com infraestrutura em nuvem certificada
Conformidade LGPD
Tratamento de dados documentado em todos os projetos
Quer uma conversa inicial sem compromisso?
Avaliamos seus dados e discutimos qual abordagem preditiva faz sentido para o seu momento de negócio.
Iniciar conversa