Definindo o Problema

1 · Como ler este material

Este é o seu caderno de bolso para o Módulo 1 do programa Data Science for Decision Makers. Ele foi pensado para três momentos distintos:

• Antes da aula (40–60 min) — leia as seções O case que vai guiar o dia, Objetivo do módulo e a abertura de cada um dos 4 pilares. Deixe as dinâmicas para fazer ao vivo.
• Durante a aula — use o material como referência rápida para frameworks (GUIDDE, SCQA, PIE, 5W2H), tabela de vieses e gabaritos das cartas da Dinâmica 2.
• Depois da aula (1h) — releia o entregável (Problem Statement), o glossário e o tópico de conexões para amarrar Módulo 1 ao Data Lab da turma.

Agenda do dia (15/06/2026)

2 · O case que vai guiar o dia

Todo conteúdo do módulo orbita um único case principal: Disney+ and Machine Learning in the Streaming Age (Kellogg School of Management, KE1251). Para garantir a aplicação imediata, usaremos em paralelo o Caso Espelho Ambev, trazendo dilemas reais da companhia para cada conceito teórico.

2.1 O contexto Disney+ (Laboratório)

Julho de 2019. Margaret Gupta, senior data scientist da Walt Disney Company, recebe a missão de apresentar à liderança, em três dias, "o valor potencial de Machine Learning para o Disney+". O desafio é diagnosticar onde dados criam valor único em um mercado dominado pela Netflix.

2.2 O Caso Espelho Ambev (Jogo Real)

Cenário: Expansão Spaten 600ml via Bees. Em 2026, a Ambev precisa acelerar o share premium em bares de alta renda. O dilema não é "se" devemos investir, mas "onde". Temos dados do Bees, geolocalização e histórico de sell-out. O desafio do gerente é: como transformar esse "mar de dados" em uma decisão clara de investimento em geladeiras e trade marketing?

"What value could Gupta and her team add — and what kind of data would they need to leverage?" Kellogg KE1251

O tabuleiro competitivo (jul/2019)

• Netflix · ~60 milhões de assinantes nos EUA, 151 milhões globais. Reportou publicamente que ~80% do consumo da plataforma vinha do motor de recomendação baseado em ML.
• Amazon Prime Video · ~41 milhões de assinantes US, embutido no Prime.
• Apple TV+ · estreia em novembro/2019, mesma janela do Disney+.
• HBO Max e Peacock · ambos anunciados para 2020 (e a CBS já operava o All Access, futuro Paramount+).

Os ativos da Disney (pós-aquisição da Fox, mar/2019)

• Catálogo lendário: Walt Disney Studios, Pixar, Marvel, Lucasfilm (Star Wars), National Geographic.
• Controle do Hulu — a fatia herdada da Fox, somada ao acordo com a Comcast (mai/2019), deu à Disney o controle operacional; o Hulu já tinha ~27 milhões de assinantes pagos.
• ESPN+ no portfólio, com dados próprios de consumo esportivo.
• Quase um século (desde 1923) de dados de bilheteria, parques temáticos, merchandising e Disney Cruises.

O lançamento

O Disney+ entraria no ar com 7.500 episódios de TV + 500 filmes, mais o flagship original The Mandalorian. Preço inicial: US$ 6,99/mês ou US$ 69,99/ano — deliberadamente abaixo de Netflix.

Por que esse case para uma turma da Ambev?

Disney+ em 2019 e Ambev em 2026 vivem o mesmo dilema estrutural: uma marca centenária com dados gigantes precisa decidir onde e como dados/ML criam valor que a concorrência não consegue replicar. Trocando Netflix por entrantes ágeis (HEINEKEN digital, cervejarias craft, marketplaces B2B de bebidas), o paralelo é direto:

• Catálogo de marcas Ambev = catálogo Disney+ (vasto, premium, com franquias).
• App Bees, Zé Delivery, Donus = pontos de contato direto com o consumidor/comprador.
• Aquisição de cervejarias = aquisição da Fox (mais dados, mais complexidade).
• Pressão de margem em commodities = pressão de margem na guerra do streaming.

Epílogo do case — leia só depois da atividade integradora 🔒

A história respondeu à pergunta da Gupta — e validou o valor de um problema bem definido. No Investor Day de abril/2019, a Disney não apresentou algoritmo: apresentou diagnóstico — meta explícita (60–90 milhões de assinantes até o fiscal 2024), preço deliberado (US$ 6,99 vs US$ 12,99 da Netflix) e o papel dos dados no funil. A ação subiu ~11% no dia seguinte, antes de o produto existir. No lançamento (12/nov/2019), o serviço registrou 10 milhões de cadastros em ~24 horas — e a meta de cinco anos foi superada em ~14 meses (~95 milhões de assinantes no início de 2021).

3 · Objetivo do módulo

Capacitar os participantes a estruturar um problema de negócio ambíguo usando frameworks de pensamento analítico, identificando onde dados/ML criam valor único e reconhecendo a influência de vieses cognitivos em decisões executivas — de forma a entregar um diagnóstico claro com métricas de sucesso bem definidas.

Por que escolhemos Disney+ e não um case Ambev? Três razões: (1) o case Kellogg traz dados públicos, robustos e ricos em ambiguidade — perfeito para exercitar problem framing sem disputas internas; (2) o setor de mídia/streaming tem decisões de portfólio, pricing e churn que mapeiam diretamente para CPG (Consumer Packaged Goods); e (3) ninguém na sala vai tentar resolver com a resposta certa que já existe — todos os 40 participantes partem do mesmo nível de informação.

Por que este músculo importa — o que dizem as pesquisas

O módulo não nasce de opinião: a evidência de que diagnóstico de problema é o elo fraco da gestão moderna é robusta e vem das fontes que o próprio mercado usa como régua:

Número	O que significa	Fonte
61%	do tempo que executivos gastam decidindo é usado de forma ineficaz; numa Fortune 500 típica isso equivale a ~530 mil dias de trabalho gerencial e ~US$ 250 milhões por ano	McKinsey, Decision making in the age of urgency, 2019
85%	dos executivos C-level admitem que suas empresas são ruins em diagnosticar problemas — e 87% dizem que essa falha tem custo significativo	Wedell-Wedellsborg, Are You Solving the Right Problems?, HBR, 2017
24%	das empresas Fortune 1000 se consideram de fato data-driven	NewVantage Partners / Wavestone, 2023
23x	mais chance de superar concorrentes em aquisição de clientes (9x em fidelização, 19x em lucratividade) com uso intensivo de analytics	McKinsey, DataMatics
95%	de correlação entre excelência decisória e desempenho financeiro de primeiro quartil (pesquisa de 10 anos, 1.000+ empresas)	Bain & Company, Decide & Deliver, 2010

4 · Os 4 pilares do diagnóstico

O dia se estrutura em quatro pilares que se complementam — cada um vira um bloco da agenda e tem uma dinâmica própria com o Disney+:

5 · Pilar 1 · Pensamento analítico

5.1 Mentalidade, não ferramenta

Pensamento analítico, no contexto executivo, não é "saber rodar Python". É a disciplina mental de decompor um problema vago em perguntas testáveis antes de mexer em qualquer dado ou ferramenta. Gupta tinha três dias — não dava para construir nada. Dava para diagnosticar onde construir.

5.2 Quatro frameworks de problem framing

5.2.1 — 5W2H · o checklist universal

What, Why, Who, Where, When, How, How much. Útil como varredura rápida. Vantagem: cobre o básico. Limitação: não força foco em decisão.

5.2.2 — SCQA (Barbara Minto) · estrutura de pitch

Situation → Complication → Question → Answer. Vem do Pyramid Principle da McKinsey. É a estrutura de comunicação. Você usa SCQA para apresentar o problema, não para descobri-lo. No nosso caso final, o pitch de 5 minutos é em SCQA.

• Situation: Disney+ lança em 4 meses contra Netflix, líder com 80% do consumo via ML.
• Complication: Disney tem ativos únicos (Pixar, Marvel, Star Wars) mas zero histórico de comportamento em streaming.
• Question: Onde investir capacidade analítica nos primeiros 90 dias para gerar vantagem competitiva sustentável?
• Answer: ... (esse é o seu Problem Statement.)

5.2.3 — PIE · Problem · Impact · Evidence

Versão enxuta para reuniões de 1 página. Bom quando você tem 30 segundos para vender que vale a pena estudar o problema.

5.2.4 — GUIDDE · o framework do módulo

Este é o framework que você vai usar no entregável final. Seis dimensões, seis perguntas. Se você não consegue responder uma delas, o problema ainda está mal diagnosticado.

Letra	Dimensão	Pergunta-mãe	Exemplo Disney+
G	Goal	Qual é o objetivo de negócio que justifica esse trabalho?	Reter assinantes nos 90 primeiros dias após o lançamento.
U	Users	Quem usa o resultado e que decisão essa pessoa toma com ele?	VP de Conteúdo decidindo orçamento da próxima onda de originais.
I	Impact	Qual o valor monetário ou estratégico se acertarmos? E se errarmos?	+5pp de retenção em 90d = ~US$ 350M ARR adicional (estimativa).
D	Data	Que dados precisamos? O que existe, o que falta, o que é proxy?	Eventos de play, pause, abandono, tempo até 1ª sessão, perfil familiar.
D	Decision	Que decisão muda com o resultado? Se nada muda, abandone o projeto.	Priorização de US$ 250M em produção original para 2020/Q2.
E	Evaluation	Como saberemos que acertamos? Critério objetivo, prazo, baseline.	Taxa de retenção D90 vs benchmark Netflix lançamento internacional.

5.3 KPIs Melancia · verde por fora, vermelho por dentro

KPI Melancia é uma métrica que parece saudável quando você olha o número agregado, mas esconde podridão quando você abre. É a métrica que mata projetos analíticos bons porque legitima problemas reais.

• Disney+ · KPI melancia clássico: "horas totais assistidas". Verde porque cresce com base de assinantes. Vermelho porque pode estar concentrada em 20% dos usuários enquanto o restante da base nunca termina um episódio (e cancela em D60).
• Ambev · KPI melancia clássico: "volume bruto vendido no trimestre". Verde porque bateu meta. Vermelho porque foi puxado por 3 SKUs em promoção pesada, com margem negativa, canibalizando vendas full-price das marcas premium.
• Ambev · outro: "NPS médio nacional". Verde em 72. Vermelho quando você abre por canal: bares parceiros (NPS 38) puxando para baixo enquanto e-commerce (NPS 84) carrega.

5.4 Seis técnicas de elicitação de requisitos

1. Perguntas abertas primeiro, fechadas depois. Abertas descobrem; fechadas confirmam. Comece sempre com "me conta como…".
2. Cinco Porquês. Toyota. Cada "porque" puxa a camada de baixo. Se em 5 níveis você não chegou a um motivo de negócio, é porque voltou ao sintoma: refaça.
3. Cenários concretos. Em vez de "como vocês decidem catálogo?", peça "me conta a última decisão difícil sobre catálogo que vocês tomaram". Histórias revelam regras tácitas.
4. Critério de sucesso explícito. "Como você sabe que esse trabalho funcionou?" — se a resposta for vaga, o projeto vai falhar mesmo se a entrega for boa.
5. Stakeholders silenciosos. Quem não está na sala mas vai ser impactado? Jurídico, compliance, P&D, conselho. Mapeie antes de começar a coletar dado.
6. Restrições e não-objetivos. "O que esse projeto não vai cobrir?" explicita o escopo. Sem isso, ele explode em 30 dias.

5.5 Prompt Engineering para o GUIDDE

Para executivos e gerentes, a Inteligência Artificial Generativa (como Claude ou ChatGPT) funciona como um parceiro de brainstorming. Se você recebeu um briefing vago da diretoria, use a IA para estruturar o GUIDDE inicial.

Exemplos de uso por área:

• Sales (André/Camila): Use para transformar "vender mais Spaten" em métricas de HL incremental por geladeira.
• Legal (Alana): Use para mapear quais entidades de dados (Contratos, Processos, Prazos) precisam ser modeladas para prever riscos regulatórios.
• Finance (Ana Flávia): Use para elicitar o impacto financeiro real de uma mudança no mix de produtos por região.

5.6 Maturidade analítica: o modelo do Gartner

Para saber onde sua área está, usamos o Gartner Analytics Ascendancy Model — a escadaria clássica em que cada degrau entrega mais valor e exige mais maturidade:

Degrau	Pergunta	Entrega típica	Âncora do case
N1 · Descritiva	O que aconteceu?	Dashboards e relatórios, KPIs por área	Disney+ no lançamento (nov/2019)
N2 · Diagnóstica	Por que aconteceu?	Drill-down, investigação de causas	Por que o churn da coorte de trial subiu?
N3 · Preditiva	O que vai acontecer?	Modelos no circuito tático, hipóteses testadas	Onde Gupta quer levar o Disney+ em 12 meses
N4 · Prescritiva	Como fazer acontecer?	Sistemas recomendam a ação, experimentação como cultura	Netflix em 2019 — 12 anos à frente

6 · Pilar 2 · Modelos de análise

6.1 As três classes de análise

Toda análise cai em uma de três classes. Saber em qual classe o seu problema vive é pré-requisito para escolher abordagem, capacidade e expectativa de resultado.

Classe	Pergunta típica	Entregável	Exemplo Disney+	Exemplo Ambev
Descritiva	O que aconteceu?	Dashboard, relatório	Quantos assinantes assistiram Mandalorian nos primeiros 30 dias?	Volume vendido por marca/região/canal no trimestre.
Preditiva	O que vai acontecer?	Score, forecast, classificação	Quais assinantes têm 80%+ de probabilidade de churn em D90?	Forecast de demanda SKU por PDV para os próximos 14 dias.
Prescritiva	O que devemos fazer?	Recomendação, otimização	Qual oferta de retenção enviar a cada assinante de alto risco?	Como roteirizar a entrega para minimizar km com SLA <24h?

6.2 Data-driven vs Decision-driven

Uma armadilha comum: empresas que se vendem como "data-driven" frequentemente são data-collecting. Coletam tudo, modelam pouco, decidem por intuição. O caminho executivo é o contrário: decision-driven data — comece pela decisão que precisa ser tomada e desça até o dado mínimo necessário. O conceito foi formalizado por Bart de Langhe e Stefano Puntoni na MIT Sloan Management Review (2021).

6.3 Mapa de casos Ambev nas 3 classes

Para fixar, mapa de 12 casos típicos da operação Ambev nas três classes:

#	Caso Ambev	Classe
1	Painel de venda diária por marca/SKU	Descritiva
2	Forecast de demanda SKU por PDV (14 dias)	Preditiva
3	Score de propensão a churn de bar parceiro	Preditiva
4	Roteirização ótima da frota de entrega	Prescritiva
5	Pricing dinâmico no canal indireto	Prescritiva
6	Relatório de NPS mensal por canal	Descritiva
7	Próxima melhor oferta no Bees para um cliente	Prescritiva
8	Probabilidade de ruptura de estoque em CDD	Preditiva
9	Análise de cohort de adesão ao Donus	Descritiva
10	Recomendação de mix ideal por perfil de bar	Prescritiva
11	Detecção de fraude em programa de fidelidade	Preditiva
12	Dashboard de OEE por linha de produção	Descritiva

7 · Pilar 3 · Modelagem de dados

7.1 Por que o gerente precisa entender (sem fazer)

Você não vai escrever DDL. Não precisa. Mas vai aprovar projeto, contratar consultoria, questionar dashboard e cobrar dado. Se você não consegue ler um modelo conceitual em uma folha, vai depender da tradução de outros — e tradução custa caro.

7.2 Todo dado nasce de um processo

Antes de modelar a tabela, modele o fluxo. Todo dado é o rastro de um evento de processo — e modelar o problema é localizar em que etapa do processo a decisão acontece e que evento gera (ou deixa de gerar) o dado que ela precisa. Ferramentas como BPMN (notação padrão de processos) e SIPOC (Supplier, Input, Process, Output, Customer — herança Six Sigma) servem exatamente para isso, e o gerente só precisa lê-las, não desenhá-las.

Veja a cadeia macro do Bees, da encomenda à recompra:

Etapa	Tipo	O que acontece	Dado gerado
1 · Pedido	Evento	PDV pede 10 cx de Spaten no app Bees	Sell-in, mix, ticket
2 · Roteirização	Decisão	Algoritmo monta a rota do caminhão	Rota, custo, SLA previsto
3 · Entrega	Evento	Motorista confirma no PDV	SLA real, devoluções
4 · Venda ao consumidor	Ponto cego	A Spaten gira (ou não) na geladeira do bar	Nenhum — não nasce no processo
5 · Recompra	Métrica	O PDV pede de novo em 7 dias?	Frequência, churn de PDV

7.3 Os três níveis de modelo

Nível	O que descreve	Quem fala	Ferramenta típica
Conceitual	Entidades de negócio e como elas se relacionam (sem detalhe técnico)	Gerente, PO, arquiteto de negócio	Diagrama em papel, Miro, draw.io
Lógico	Tabelas, atributos, chaves, cardinalidades — independente de banco	Analista de dados, modelador, arquiteto	ERwin, dbdiagram.io, Lucidchart
Físico	DDL real, tipos, índices, particionamento, performance	Engenheiro de dados, DBA	PostgreSQL, BigQuery, Snowflake, dbt

7.4 Modelo conceitual aplicado ao Disney+

Em uma página, as entidades-chave que o Disney+ precisa modelar para operar:

• Assinante · um indivíduo ou conta familiar. Atributos: ID, plano, data de adesão, país, perfil parental.
• Perfil · uma identidade dentro de uma conta (até 7 perfis por conta). Importante porque mãe e filho de 8 anos consomem catálogos diferentes.
• Conteúdo · um título (filme, episódio, série, doc). Atributos: ID, franquia (Marvel/Pixar/Star Wars/etc), gênero, ano, classificação etária.
• Catálogo · o conjunto de conteúdos disponível em um país/período (curadoria e licenciamento variam).
• Sessão · uma instância de uso por um perfil — quando começou, em que device, terminou ou abandonou.
• Evento · ações dentro da sessão (play, pause, skip, rewind, busca, abertura de carrossel).
• Recomendação · uma sugestão feita pela plataforma a um perfil em um momento, com ID do conteúdo e posição na tela.
• Plano · estrutura de preço e benefícios (mensal, anual, Disney bundle com Hulu+ESPN+).
• Pagamento · evento financeiro associado a um assinante.

Relacionamentos principais:

• 1 Assinante tem N Perfis
• 1 Perfil gera N Sessões
• 1 Sessão contém N Eventos
• 1 Perfil recebe N Recomendações; cada Recomendação aponta para 1 Conteúdo
• 1 Assinante tem 1 Plano vigente e N Pagamentos históricos
• 1 Catálogo contém N Conteúdos (com vigência por país)

7.5 Roteiro de 6 perguntas para entrevistar stakeholder

1. Qual é a decisão que esse projeto precisa habilitar?
2. Que entidades de negócio estão envolvidas? (Cliente, produto, pedido, ...)
3. Como essas entidades se relacionam? (Quem tem quantos de quem?)
4. Quais atributos dessas entidades são críticos para a decisão?
5. Onde esses dados vivem hoje? (Sistema, planilha, "na cabeça da Maria")
6. Que dado não existe e precisaria ser criado/coletado?

7.6 A régua da solução: ISO/IEC 25010

Cedo ou tarde, a solução encomendada chega — e o gerente precisa de uma régua para aceitá-la ou devolvê-la que vá além de "funciona". A norma ISO/IEC 25010:2023 (família SQuaRE) define o vocabulário padrão de qualidade de produto entre você e o time técnico, em nove características. A revisão de 2023 adicionou safety e renomeou usabilidade → capacidade de interação e portabilidade → flexibilidade:

#	Característica	Pergunta do gerente	Exemplo do dia
1	Adequação funcional	Faz o que a decisão precisa?	O recomendador acerta o que a família quer ver?
2	Eficiência de desempenho	Responde no tempo do ritual?	Score de PDV pronto antes do S&OP, não depois.
3	Compatibilidade	Conversa com o ecossistema?	Databricks, SAP e Bees sem retrabalho manual.
4	Capacidade de interação (ex-usabilidade)	O gerente usa sem manual?	Dashboard que precisa de treinamento já falhou.
5	Confiabilidade	Aguenta o pico?	O Disney+ caiu no dia do lançamento, sob demanda recorde.
6	Segurança	Protege dado e acesso?	LGPD no PDV, COPPA no perfil infantil.
7	Manutenibilidade	Evolui sem reescrever?	Trocar a métrica sem refazer o pipeline inteiro.
8	Flexibilidade (ex-portabilidade)	Escala para novos contextos?	Do piloto em 1 região para 29 mercados.
9	Proteção (safety) (nova em 2023)	Evita dano no uso?	Recomendação imprópria chegando a perfil infantil.

7.7 Qualidade da solução ≠ qualidade da decisão

A síntese do pilar é uma cadeia de quatro elos — cada um depende do anterior, e nenhum garante o seguinte:

Elo	O que é	Régua / evidência
1 · Qualidade do dado	Completo, atual e fiel ao processo que o gerou	Gartner (2021): má qualidade custa em média US$ 12,9 mi/ano por organização
2 · Qualidade do produto	As nove características da solução que chega	ISO/IEC 25010:2023
3 · Qualidade em uso	Benefício real, aceitação e baixo risco no contexto de quem decide	ISO/IEC 25019:2023 (quality-in-use)
4 · Qualidade da decisão	O processo decisório que transforma análise em escolha	Lovallo & Sibony (McKinsey, 2010): processo importa 6x mais que análise

8 · Pilar 4 · Heurísticas e vieses

8.1 Sistema 1 e Sistema 2 (Kahneman)

Daniel Kahneman, Nobel de Economia 2002, descreveu dois modos de pensamento humano:

• Sistema 1 · rápido, automático, intuitivo, emocional. Decide em milissegundos. Funciona bem em ambientes estáveis e familiares (dirigir, reconhecer rostos, sentir cheiro de queimado).
• Sistema 2 · lento, deliberado, esforçado, racional. Calcula impostos, compara propostas, escreve relatório executivo. Custa energia — e por isso é evitado.

Comitês de executivos seniores tendem a operar em Sistema 1 mascarado de Sistema 2: chegam com a decisão intuitiva já pronta e usam dado só para confirmar. Esse é o terreno fértil para os vieses abaixo.

8.2 Seis vieses críticos em comitê executivo

8.3 Quatro práticas de mitigação

1. Pre-mortem (Gary Klein) · antes de aprovar, peça à equipe para imaginar que "é 6 meses no futuro e esse projeto falhou catastroficamente. Conta a história do porquê." Vieses cedem quando o cérebro vai para o modo narrativo.
2. Red Team / Segundo time · designar um grupo cuja missão é derrubar a proposta. Não pode ser o mesmo time que construiu.
3. Decisão escrita antes da reunião · cada decisor escreve sua decisão em 1 parágrafo antes de o comitê discutir. Cancela ancoragem do primeiro a falar e excesso de confiança do mais sênior.
4. Critério de reversão explícito · "Se em 90 dias a métrica X estiver abaixo de Y, voltamos atrás." Combate aversão à perda futura ("já investimos demais para parar").

9 · Atividade integradora · Problem Statement Disney+

9.1 O desafio

Você é parte do time de Margaret Gupta. Faltam 4 meses para o lançamento do Disney+. A liderança deu o seguinte mandato: "Apresente em 5 minutos onde Machine Learning vai criar valor único para o Disney+ nos primeiros 12 meses, com métricas, dados necessários e decisões que mudam — e prove que você considerou os riscos."

9.2 Estrutura do entregável (GUIDDE)

Cada grupo entrega 1 página estruturada nas 6 dimensões do GUIDDE:

9.3 Estrutura do pitch (SCQA · 5 minutos)

1. Situation (45s) — contexto Disney+ em jul/2019: ativos, lançamento, concorrência.
2. Complication (45s) — o gap que justifica o trabalho. Por que ML, por que agora, por que não outro lugar.
3. Question (15s) — a pergunta única que vai responder.
4. Answer (3min) — apresentação do Problem Statement GUIDDE com ênfase em D · Decision e E · Evaluation.
5. Risco (15s) — qual o principal viés que vocês estão tentando evitar e qual a prática de mitigação adotada.

9.4 Critérios de avaliação

• Clareza da pergunta (0–3) — em uma frase, dá para entender o problema?
• Mensurabilidade (0–3) — a métrica de avaliação é objetiva e tem prazo?
• Conexão com decisão (0–3) — fica claro o que muda no negócio com o resultado?
• Evidência de mitigação de viés (0–3) — o grupo nomeou ao menos 1 viés e adotou prática.
• Linguagem executiva (0–3) — pitch claro, sem jargão técnico, 5 minutos.

9.5 Exemplo parcial (não copie · use como inspiração)

9.6 IA Generativa no Brainstorming

Na fase de ideação, a IA pode ajudar a destravar a "Answer" do seu Problem Statement, sugerindo caminhos analíticos que você talvez não tenha considerado.

Exemplos de aplicação:

• Maintenance (Alan/Emanuel): "Como prever quebra de linha sem parar a produção?" → A IA pode sugerir modelos de manutenção preditiva baseados em sensores de vibração.
• Tech Commercial (Luiz Felipe): "Otimizar o checkout do Bees" → A IA pode sugerir análise de funil e detecção de fricção em tempo real.
• Packaging (Leonardo/Thalyck): "Redução de perda de insumos" → A IA pode sugerir modelos de otimização de corte ou visão computacional para controle de qualidade.

10 · Conexões com os próximos módulos

O Problem Statement entregue hoje não morre quando a aula termina. Ele alimenta a sequência dos próximos módulos do programa:

• Módulo 2 · IA Generativa para Analytics · você vai usar IA generativa para acelerar o diagnóstico — e o Problem Statement de hoje é o prompt-mestre. Sem a pergunta certa, a IA só acelera o erro.
• Módulo 3 · Análise Descritiva · vamos abrir dados de cohort, churn e engajamento com as lentes do Problem Statement de hoje.
• Data Lab da turma · cada participante leva o GUIDDE de um problema real da sua área Ambev. O Disney+ é a maquete; o Data Lab é a casa.

11 · Glossário rápido

Termo	Significado executivo
Problem framing	Disciplina de transformar problema vago em pergunta única e diagnosticável.
KPI Melancia	Métrica verde no agregado, vermelha quando aberta por recorte relevante.
Decision-driven data	Começar pela decisão a ser tomada e descer até o dado mínimo necessário.
GUIDDE	Framework de 6 dimensões: Goal, Users, Impact, Data, Decision, Evaluation.
SCQA	Estrutura de pitch da Barbara Minto: Situation, Complication, Question, Answer.
5 Porquês	Técnica Toyota para descer das camadas de sintoma até causa de negócio.
Modelo conceitual	Diagrama de entidades de negócio e relacionamentos, sem detalhe técnico.
Modelo lógico	Tabelas, atributos, chaves, cardinalidades — independente de banco.
Modelo físico	DDL real, performance, índices — terreno de engenheiro de dados.
Sistema 1 / Sistema 2	Modos de pensamento de Kahneman: rápido/intuitivo vs lento/deliberado.
Viés de confirmação	Tendência a buscar e valorizar evidências que confirmam a hipótese inicial.
Ancoragem	Primeira informação numérica vira referência para todas as próximas.
Aversão à perda	Dor de perder pesa ~2x o prazer de ganhar valor equivalente.
Pre-mortem	Imaginar que o projeto falhou e contar a história — ferramenta de Gary Klein.
Red team	Time designado para derrubar a proposta antes de ela ir a comitê.
Análise descritiva	O que aconteceu — relatórios, dashboards.
Análise preditiva	O que vai acontecer — scores, forecasts, classificação.
Análise prescritiva	O que devemos fazer — recomendação, otimização.
Problem Statement	Documento de 1 página que estrutura formalmente um problema diagnosticado.
Stakeholder silencioso	Quem não está na sala mas será impactado pela decisão.
Sell-in / Sell-out	Venda para o PDV (nasce no Bees) vs venda do PDV ao consumidor (ponto cego do processo).
BPMN / SIPOC	Notações de modelagem de processo; o gerente lê, não desenha.
Maturidade analítica	Escadaria Gartner: descritiva → diagnóstica → preditiva → prescritiva.
ISO/IEC 25010	Norma com as 9 características de qualidade de produto de software — a régua para aceitar ou devolver uma solução.
Qualidade em uso	Benefício, aceitação e baixo risco no contexto real de quem decide (ISO/IEC 25019).

12 · Leituras e referências

Case principal

• McTigue, K.; Anderson, T. Disney+ and Machine Learning in the Streaming Age. Kellogg School of Management, Case KE1251 (5-123-001).

Bibliografia executiva

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. — base de Sistema 1/2 e vieses.
• Minto, B. (2009). The Pyramid Principle. Pearson. — origem do SCQA e da estrutura de comunicação executiva.
• McAfee, A.; Brynjolfsson, E. (2017). Machine, Platform, Crowd. W. W. Norton. — impacto de ML em decisão de negócio.
• Davenport, T. (2018). The AI Advantage. MIT Press. — capítulos sobre AI em CPG e mídia.
• Klein, G. (2007). Performing a Project Premortem. Harvard Business Review. — origem da técnica.
• Sutherland, R. (2019). Alchemy: The Surprising Power of Ideas That Don't Make Sense. WH Allen. — leitura provocativa sobre vieses em marketing.

Exhibits do case (Kellogg KE1251)

• Consulte os exhibits no PDF oficial do case (disponível no Drive da turma) — trazem os dados de assinantes, catálogo e estrutura do mercado de streaming usados nas dinâmicas.

Pesquisas e relatórios citados nos slides

• McKinsey & Company (2019). Decision making in the age of urgency. Global Survey. — tempo decisório e custo da decisão ruim.
• Lovallo, D.; Sibony, O. (2010). The Case for Behavioral Strategy. McKinsey Quarterly. — processo importa 6x mais que análise.
• Wedell-Wedellsborg, T. (2017). Are You Solving the Right Problems? Harvard Business Review. — 85% dos C-levels ruins em diagnóstico.
• Blenko, M.; Mankins, M.; Rogers, P. (2010). Decide & Deliver. Bain & Company. — correlação de 95% entre decisão e desempenho.
• de Langhe, B.; Puntoni, S. (2021). Leading With Decision-Driven Data Analytics. MIT Sloan Management Review.
• NewVantage Partners / Wavestone (2023). Data and Analytics Leadership Executive Survey.
• McKinsey QuantumBlack (2025). The State of AI. — adoção de GenAI vs captura de valor (EBIT).
• Gartner (2018–2025). Press releases: maturidade de BI/analytics (87%), custo de má qualidade de dados (US$ 12,9 mi/ano), abandono de projetos GenAI (30%) e IA agêntica (40% até 2027).
• ISO/IEC 25010:2023 — Product quality model · ISO/IEC 25019:2023 — Quality-in-use model (família SQuaRE).
• Dewey, J. (1938). Logic: The Theory of Inquiry. — "a problem well put is half solved".
• AB InBev (2026). Full Year & 4Q 2025 Results (6-K, SEC). — números do BEES e Zé Delivery.
• McKinsey & Company. How analytics can drive growth in consumer-packaged-goods trade promotions. — 59% das promoções perdem dinheiro.

Fontes públicas úteis

• Netflix Investor Relations · histórico de subscribers e shareholder letters.
• Disney Investor Relations · Form 10-K 2019 e earnings call de 07/nov/2019 (Q4 FY19, dias antes do lançamento do Disney+).
• Kellogg Insight · artigos derivados do case KE1251.
• MIT Sloan Management Review · arquivo sobre AI bias e governança.