Inteligência Econômica na Prática

Entre 2000 e 2009, o consumo de margarina por habitante nos Estados Unidos e a taxa de divórcio no estado do Maine caminharam quase juntos, com correlação de 0,99. Ninguém sugeriria trocar margarina por manteiga para salvar casamentos. O exemplo, catalogado por Tyler Vigen, é engraçado justamente porque o absurdo é evidente. No ambiente empresarial, quase nunca é.

Decisões industriais são tomadas sobre séries que parecem se mover juntas: preço de insumo e faturamento, contratações e demanda, câmbio e margem de lucro. O risco não se resume à falta de dados, pois essa limitação tem peso determinante em um contexto, como o atual, de massiva presença de IA, mas está em decidir com confiança entre um sinal e um ruído. 

O indicador não é a unidade de análise
Um número só ganha sentido quando é conectado ao modelo de negócio e aos canais pelos quais ele chega à empresa. Na prática, isso exige enxergar quatro escalas simultâneas: a empresa (receita, preço, custo, capacidade); a cadeia e o território (fornecedores, trabalho, logística, concorrência); o nível nacional (renda, crédito, juros, inflação, regulação); e as interações do negócio e seus objetivos com o restante do mundo (comércio, commodities, tecnologia, geopolítica etc).

O ponto de partida não é o indicador, mas a pergunta empresarial: como esses diferentes níveis e variáveis afetam o caixa da empresa? Devo, portanto, rever o estoque ou capacidade de produção? Qual mercado preciso priorizar? A experiência de quem decide tem peso relevante. O dado não substitui esse julgamento, mas ancora a decisão e revela tendências que a intuição, sozinha, não enxerga.

Cada setor tem seus próprios canais de transmissão. Em máquinas e equipamentos, Selic, preço internacional do aço e nível de atividade industrial explicam boa parte do movimento. Em têxtil e confecção, o consumo das famílias e o preço do algodão no mercado internacional. No automotivo, disponibilidade de crédito e endividamento. Em alimentos, o crescimento dos países asiáticos e o consumo doméstico. Saber qual variável realmente move o seu negócio é o primeiro filtro contra o ruído.

Sorvete não causa afogamento
O exemplo clássico é didático porque a intuição dá conta de compreender. Ao longo do ano, vendas de sorvete e casos de afogamento sobem e descem quase no mesmo ritmo, com correlação muito alta entre as variáveis. Concluir que um causa o outro é evidentemente errado: existe uma terceira variável, o verão, que empurra as duas séries. Em outras palavras, o que na verdade se deve compreender é que mais calor significa mais consumo de sorvete e mais pessoas em praias e piscinas: o resultado são mais afogamentos do que em outros períodos do ano.

Logo, causalidade não é observar que duas variáveis andam juntas, é identificar se a mudança em um fator realmente produz mudança em outro. Isso exige lógica econômica, contexto e, sempre que possível, evidência empírica bem construída. O resultado estatístico, sozinho, não é prova. Existe correlação sem causalidade — mas, sem causalidade, a correlação não é base confiável para investir, contratar ou reprecificar.

Cenários no lugar de previsão única
Um dos desafios é navegar dentro das incertezas. A caracterização dos desafios do negócio, a identificação das variáveis levam à necessidade de projetar, mas não pode ser feito de qualquer jeito. Uma projeção útil não é o número mais provável isolado de, por exemplo, quanto vai crescer o faturamento da empresa, mas é um conjunto de trajetórias com ações associadas que entregam uma leitura das possibilidades e possíveis desafios que o negócio pode vir a enfrentar: é traçar cenários. No cenário adverso, o foco é proteger caixa e ajustar estoque. No cenário base, negociar contratos, redesenhar mix e testar repasse. No cenário de oportunidade/crescimento, ativar capacidade como opção — e não como aposta. Trabalhar assim reduz o custo do erro, diminui a incerteza, já que a empresa não precisa acertar a previsão para estar preparada.

Sustentar esse processo depende de arquitetura: qualidade, integração e metadados nos dados; hipótese, comparabilidade e reprodutibilidade nos métodos; governança, versionamento e documentação no dia a dia. É o que permite aprender com o histórico em vez de recomeçar a cada ciclo.

Decidir bem é um método, não um talento
Boas decisões seguem hábitos reconhecíveis, muitos deles documentados na literatura sobre julgamento e previsão: dividir problemas grandes em partes menores, começar pelo cenário-base (a realidade da empresa), atualizar crenças diante de nova evidência, evitar certezas absolutas, buscar ativamente os argumentos contrários para testar algumas certezas e crenças, expressar previsões em probabilidades e revisar erros sem se defender.

Nada disso elimina a incerteza. O que muda é a qualidade do processo e, com ela, a chance de o próximo movimento da empresa se apoiar em um mecanismo compreendido, e não em uma coincidência estatística. Antes de olhar o próximo gráfico ou número fechado, vale perguntar: qual decisão esse número deveria mudar no posicionamento estratégico da empresa?

Fontes consultadas
Vigen, T. Spurious Correlations (tylervigen.com).
Tetlock, P.; Gardner, D. (2015). Superforecasting: The Art and Science of Prediction.
IBGE. Sistema de Contas Nacionais e Pesquisa Industrial Mensal (notas metodológicas sobre revisão de séries).
Banco Central do Brasil. Relatório de Política Monetária (canais de transmissão).