Ambev · DS4DM · Turma 1 · 15·06·2026
Ambev · DS4DM · Turma 1 · 15·06·2026
Como gerentes transformam ambiguidade de negócio em diagnóstico analítico — narrado pelo case Disney+
Case Disney+ ancora cada bloco · 4 dinâmicas · 1 atividade integradora
Professor de Software & Dados no Inteli · ex-Data Analytics Expert na Dasa · sócio-proprietário de consultoria
Engenheiro de back-end e pipelines de dados na Dasa (saúde, 2022–23): ETL, Data Lake/Warehouse, BigQuery/GCP, microsserviços. Sei o que custa transformar um evento operacional em dado confiável para decidir.
No Inteli (desde 2023) leciono Governança de Dados, Big Data, MLOps e dashboards; em pós na Mackenzie e na ESPM, estatística e previsão de demanda. Já coordenei 5 cursos de engenharia (1.500 alunos, 50 professores).
Engenheiro de produção e gerente de planta na indústria: PCP, otimização e previsão de demanda — falo a língua do Supply. E sou sócio-proprietário da consultoria 1950colab.
Por que isso importa para vocês: a sala de hoje é Comercial e Supply. Eu transito entre quem constrói o dado, quem decide com o dado e quem opera o negócio — os três mundos onde a Ambev bate (ou perde) a meta. Governança · ETL · Data Lake · BigQuery · MLOps · Previsão de demanda · Decisão data-driven
38 líderes da Ambev, de seis frentes do negócio — todos saem hoje com o mesmo método
A maioria vem do Comercial e do Supply — a operação. Mas decidir com dados atravessa as seis frentes. O denominador comum de hoje: definir bem o problema antes de pedir o dado.
Check-in rápido — 1 minuto por pessoa
Nome, área e há quanto tempo na Ambev. Em uma frase.
Uma decisão que você precisa tomar e ainda não tem clareza para tomar.
Uma expectativa concreta — vamos voltar a ela às 18h.
O papel do gerente em projetos de dados não é executar a análise — é fazer a pergunta certa, no momento certo, com a métrica certa.
— Fio condutor de hoje, ilustrado pelo case Disney+
Ao final do dia, todos saem com um Problem Statement do Disney+ — e o método para aplicar no próprio contexto
Estruturar um problema de negócio ambíguo, usando um framework de pensamento analítico e reconhecendo a influência de vieses cognitivos, para definir um diagnóstico claro com métricas de sucesso bem definidas — usando o caso Disney+ como laboratório.
Antes da teoria, o tamanho do problema — e o tamanho do prêmio
Numa Fortune 500 típica, o tempo decisório desperdiçado equivale a ~530 mil dias de trabalho gerencial por ano — cerca de US$ 250 milhões em salários.
McKinsey · Decision making in the age of urgency, 2019Pesquisa de 10 anos com 1.000+ empresas: correlação de 95% entre excelência decisória e desempenho financeiro de primeiro quartil.
Bain & Company · Decide & Deliver, 2010Cada pilar é uma lente diferente para enxergar o problema do Disney+
Toda teoria de hoje passa por este caso. Vamos relê-lo juntos.
Senior data scientist da Walt Disney Company. A 4 meses do lançamento do Disney+. Vai apresentar à alta liderança o valor potencial de Machine Learning para o novo serviço. Não tem mais tempo, não tem mais time, e Netflix está há 12 anos otimizando o que Disney quer começar agora.
Senior data scientist com mandato curto: "produzir um argumento executivo sobre ML para Disney+ em 72h".
Alta liderança da Disney — incluindo Bob Iger. Público executivo, não técnico, com agenda apertada.
Posicionar Disney+ como apostas de conteúdo + tecnologia, não apenas como mais um SVOD com catálogo Marvel/Star Wars.
Disney não chega ao streaming como pioneira — chega como desafiante
A pergunta da Gupta não é "ML funciona?". ML funciona — Netflix prova há uma década. A pergunta dela é "onde ML cria valor que só a Disney consegue capturar, considerando o IP único, a base Hulu e o público dos parques?" Essa é uma pergunta de diagnóstico, não de tecnologia.
Esta pergunta vai aparecer em todos os blocos do dia — guarde-a
What value could Gupta and her team add — and what kind of data would they need to leverage?
— Kellogg KE1251, Disney+ and Machine Learning in the Streaming Age
Em 30 segundos, escolha uma palavra para representar o que Gupta precisa entregar à liderança. Plano? Diagnóstico? Mapa? Aposta? A palavra escolhida revela o framing da resposta.
Para cada desafio da Disney, vamos resolver um dilema da Ambev em paralelo
Dilema: ML para recomendação ou aquisição?
Ativo: IP Marvel/Star Wars + Base Hulu.
Decisão: Onde investir US$ 250M em originais?
Dilema: Expansão Spaten 600ml via Bees.
Ativo: Dados de PDV + Capilaridade Rota.
Decisão: Qual PDV recebe investimento de geladeira?
Por que isso importa? O Disney+ é a maquete onde erramos sem medo. A Ambev é o jogo real — num setor em que 59% das trade promotions perdem dinheiro e as melhores retornam 5x mais que as piores (McKinsey). Ao final de cada bloco, traremos o conceito para o Ritual de S&OP ou VPO.
Antes de qualquer dado, qualquer modelo, qualquer dashboard — uma pergunta bem formulada. Como Gupta deve formular sua resposta a Bob Iger.
"A problem well put is half solved." — John Dewey, Logic: The Theory of Inquiry, 1938
É mentalidade antes de ferramenta. É hábito antes de framework.
Gerente analítico ≠ gerente que sabe Python. É o gerente que sabe encomendar a análise certa e desafiar a errada.
Não existe "o melhor". Existe o que combina com a sua decisão.
| G | Goal: "Aumentar share premium em bares de SP" |
| U | Users: Gerente de Trade (decide geladeiras) |
| I | Impact: ROI por geladeira instalada (HL incremental) |
| D | Data: Histórico Bees, geolocalização, mix concorrente |
| D | Decision: Instalar geladeira no PDV X ou Y? |
| E | Evaluation: Payout em 12 meses (baseline s/ geladeira) |
Se você não consegue preencher o GUIDDE em 5 minutos, a sua "encomenda" para o time de dados ainda está crua. Pare e elicite.
Como usar a IA para sair da "folha em branco" e estruturar o problema
"Atue como um consultor sênior de estratégia e dados. Recebi este briefing vago da diretoria: [Briefing].
Me ajude a preencher o framework GUIDDE (Goal, Users, Impact, Data, Decision, Evaluation).
Seja específico para o contexto da Ambev. Caso falte informação, me faça as 3 perguntas mais críticas para destravar o diagnóstico."
A IA não substitui o seu cérebro, ela acelera a elicitação. Use-a para simular o 'E se?'.
As métricas que enganam o comitê e adiam a má notícia
Teste do gerente: se "horas assistidas" subir 10%, o que Gupta decide diferente amanhã? Provavelmente nada — é melancia. Se "% que assiste 3+ shows em 30 dias" subir 10%, a equipe sabe que o onboarding funcionou e onde dobrar a aposta.
Técnicas que Gupta precisa dominar antes de tocar em ML
Aberta: "Bob, como você vai medir sucesso do Disney+ em 12 meses?"
Fechada: "Você precisa do resultado antes ou depois do lançamento?"
"ML é prioritário" → por quê → "Netflix usa" → por quê → "querem capturar 80% do consumo via ML" → por quê...
"Bob, me conta a última vez em que um insight de dados mudou uma decisão de conteúdo na Disney."
"Como saberemos, em junho/2020, que o investimento em ML valeu?" Define o que é estar pronto.
Marketing? Estúdios? Parques? Hulu? Time legal (LGPD/COPPA)? Cada um traz requisito não-dito.
"O que NÃO está no escopo do ML do Disney+?" Recomendação personalizada para infantil pode ter risco regulatório.
Elicitação de requisitos sob ambiguidade — 45 minutos em grupos de 5
"Netflix está dominando o streaming. Disney+ lança em novembro. Eu quero saber se Machine Learning vai nos salvar. Te vejo daqui a 3 dias." E sai. Antes de tocar em ML, formule perguntas.
Em grupos, antes de qualquer dado, escrevam as 10 perguntas que vocês fariam ao Iger para destravar o briefing. Foco em decisão, sucesso e escopo.
Marquem cada pergunta com: aberta/fechada · 5W2H · escopo/sucesso/stakeholder. Escolham as 3 mais críticas.
2 grupos apresentam suas 3 perguntas-chave. Discussão: o que faltou? Que pergunta "mata" o projeto antes dele começar?
A diferença entre 72h de pânico e 72h de estrutura está em 30 minutos de elicitação. Quem não pergunta, retrabalha — e Gupta não tem tempo para isso.
Gartner Analytics Ascendancy Model — cada degrau acima entrega mais valor e exige mais maturidade
"O que aconteceu?"
"Por que aconteceu?"
"O que vai acontecer?"
"Como fazer acontecer?"
Pergunta para a pausa: na sua área da Ambev, em qual degrau estamos hoje? E qual o salto realista em 12 meses? Sem culpa: 87% das organizações ainda operam nos dois primeiros degraus (Gartner, 2018). Estar no degrau 1 é a norma — ficar nele é a escolha.
15 minutos. Café, banheiro, respiro. Volta para o Bloco 2: Modelos de Análise — descritiva, preditiva, prescritiva.
Descritiva, preditiva, prescritiva — três famílias, três perguntas, três decisões. Gupta precisa saber qual classe responde à pergunta do Iger.
O mercado não sofre de falta de modelos — sofre de falta de pergunta
As causas que o Gartner lista — má qualidade de dados, valor de negócio incerto, controles inadequados — são falhas de diagnóstico, não de tecnologia. Ninguém perguntou "qual decisão esse modelo habilita?" antes de construir. É o que este bloco ataca — e o que separa o pedido da Gupta de mais um dashboard no cemitério.
Cada classe responde uma pergunta diferente — e exige um tipo de dado diferente
"O que aconteceu?"
"O que provavelmente vai acontecer?"
"O que devemos fazer?"
Pedir um dashboard (descritivo) quando o problema é de otimização (prescritivo). Se você quer saber "quantas geladeiras temos", é descritivo. Se quer saber "onde colocar a próxima", é prescritivo.
Quem dirige: o dado ou a decisão? A resposta certa não é óbvia.
Coleta-se tudo "porque pode ser útil". Constrói-se dashboard "porque dá". Ninguém define qual decisão aquele dado habilita.
"Vamos olhar o HL de todos os PDVs do Brasil para ver se achamos algo."
Começa pela decisão. Daí deriva: que pergunta responder, que dado coletar, que análise rodar.
"Precisamos decidir o mix de Spaten vs Skol para bares da Faria Lima em 2026."
Conceito: de Langhe & Puntoni · MIT Sloan Management Review, 2021Desafio: Quanto vale a decisão que você vai tomar? Se a decisão vale R$ 10k e a análise custa R$ 50k (em tempo/infra), não faça.
Cada pessoa recebe uma carta no celular — descritiva, preditiva ou prescritiva? (Ambev + Disney+)
📲 Aponte a câmera do celular
cada leitura sorteia uma carta nova
Você recebe um pedido que poderia cair na mesa da Gupta — ou de um VP da Ambev.
Toque em descritiva, preditiva ou prescritiva. A escolha fica marcada — sem dizer se acertou.
Antes de escolher, pergunte-se: que decisão esse pedido habilita? Guarde o número da sua carta — conferimos todas juntas na plenária (próximo slide).
8 min para escanear + classificar; depois abrimos a plenária. O reflexo treinado é classificar antes de aceitar — devolver o pedido reformulado ao time de dados.
Saber o tipo não basta — para cada um há uma jogada de gerente. Siga o dinheiro até a decisão e aja.
"O que já aconteceu com o dinheiro?"
"Quanto vai entrar ou sair?"
"Onde eu coloco o dinheiro?"
Teste rápido: "Que decisão de R$ esse pedido destrava?" — nenhuma → descritiva · uma aposta sobre o futuro → preditiva · uma escolha de onde alocar → prescritiva. Achou o tipo, execute a jogada acima.
Diga o número da carta e a classe que você marcou. As polêmicas moram na zona preditiva ↔ prescritiva.
| # | Pedido | Classe | Por quê |
|---|---|---|---|
| 1 | Geladeira não rendeu o giro esperado — por quê? | Descritiva | Diagnóstico do passado — explica o que houve, não decide. |
| 2 | Preço da Spaten que maximiza margem sem perder volume | Prescritiva | Recomenda a ação ótima — e consome uma previsão de elasticidade. |
| 3 | Volume incremental da promoção pré-Carnaval | Preditiva | Projeta o "e se" — ainda não decide lançar. |
| 4 | Títulos mais assistidos no trimestre, por faixa etária | Descritiva | Retrato segmentado do passado. |
| 5 | Clientes do Bees parecidos com os que mais cresceram | Preditiva | Propensão por similaridade — projeta quem tende a crescer. |
| 6 | Rota dos caminhões com menos km e mesmo SLA | Prescritiva | Otimização — a melhor configuração de ação. |
| 7 | Mix de lançamentos para reduzir churn de famílias | Prescritiva | Decide alocação de investimento em conteúdo. |
| 8 | Share of visits no Bees vs trimestre anterior | Descritiva | Comparação de passado — cuidado: pode ser KPI-melancia. |
| 9 | Assinantes anuais com maior risco de não renovar | Preditiva | Scoring de risco futuro — prevê, não age. |
| 10 | Geladeira nova OU desconto no PDV X? | Prescritiva | Escolhe entre alternativas — exige prever o retorno de cada uma. |
O ponto de ouro: quase toda prescritiva consome uma preditiva (cartas 2 e 10). E "por quê?" (carta 1) é diagnóstico — não confunda com decisão. Classificar antes de aceitar é o reflexo do gerente analítico.
Conversa livre. Sugestão de tema na mesa: se você fosse Bob Iger em julho/2019, qual seria sua primeira pergunta para a Gupta?
Voltando do almoço com calma: dois clássicos de gestão que conversam direto com o nosso dia — um sobre como decidir sob complexidade (o Checklist) e outro sobre como reler o problema (Oportunidades Disfarçadas).
A tese: sob complexidade, erramos menos por ignorância e mais por não aplicar o que já sabemos
O volume e a complexidade do que sabemos excederam a capacidade individual de entregar seus benefícios de forma correta, segura e confiável.
— Atul Gawande, cirurgião e pesquisador (Harvard · OMS)
No voo de teste do Boeing 299 (protótipo do B-17), um dos pilotos mais experientes do país decolou com a trava do leme ainda acionada — o avião estolou e caiu. O diagnóstico: não era complexo demais para voar, era complexo demais para a memória de um homem. A resposta não foi mais treino — foi um checklist de pré-voo com poucos itens críticos.
O mesmo princípio que salva vidas no centro cirúrgico trava o viés na hora de alocar capital
Gawande entrevistou gestores que, depois de erros caros, passaram a rodar um checklist escrito antes de cada decisão. Guy Spier (Aquamarine Capital) montou o dele lendo este livro — não para achar a resposta, mas para frear o Sistema 1 e não pular etapas no calor do entusiasmo.
Antes de o comitê aprovar um investimento ou um projeto de dados, que 5 perguntas deveriam ser obrigatórias? O checklist é o antídoto barato contra os vieses que vamos catalogar no Bloco 4.
A tese: boa parte das grandes oportunidades chega vestida de problema, defeito ou reclamação
As melhores oportunidades não se anunciam. Elas se disfarçam de problema — e só aparecem para quem muda o jeito de olhar.
— Síntese da tese de Carlos Domingos
É exatamente o pilar da manhã: "definir o problema" não é aceitar o problema como ele chegou — é reenquadrá-lo. O mesmo cancelamento no Disney+ pode ser lido como "perda de cliente" ou como "sinal grátis de onde o onboarding falha". O reframe muda a decisão.
O problema parecia óbvio — até alguém medir e reler o que o número estava dizendo
Um adesivo fraco demais para colar de verdade — um defeito de laboratório. Reenquadrado como marcador que cola e descola, virou produto. A 3M só decidiu lançar em escala nacional depois do teste de mercado em Boise (1978):
O mercado recusava crédito à base da pirâmide por um preconceito tratado como fato. Em vez de aceitar a leitura pronta, mediu-se a inadimplência real do crediário — e ela vinha abaixo do esperado: quem tem pouco honra o carnê para não perder a única porta de crédito.
O padrão: em ambos, o "problema" era uma interpretação — e um número bem lido a desmontou. É disso que trata a tarde: modelar o problema certo (Bloco 3) e desconfiar da leitura fácil (Bloco 4).
Anote as respostas — elas voltam nas dinâmicas da tarde
Qual problema recorrente da sua área pode virar oportunidade se você reler o problema — em vez de combater o sintoma, perguntar "o que esse problema está me dizendo de graça?"
Liste 5 itens que sua liderança deveria checar antes de aprovar uma decisão baseada em dados. Qual deles é o mais esquecido quando todos estão entusiasmados?
Ponte: no Bloco 3 vamos modelar o problema (oportunidade disfarçada = problema bem definido) e no Bloco 4 atacar os vieses que o seu checklist existe para evitar. Guardem as duas respostas.
Comece pelo driver do negócio, ache o problema dentro do processo e redesenhe-o (As Is → To Be). O dado vem depois — primeiro, o problema bem modelado.
Antes de modelar a tabela, modele o fluxo — e localize o problema dentro dele
PDV pede 10 cx de Spaten no app Bees
Algoritmo monta a rota do caminhão
Motorista confirma no PDV
A Spaten gira (ou não) na geladeira do bar
O PDV pede de novo em 7 dias?
Modelar o problema = localizar em que etapa do processo a decisão acontece — e que evento gera (ou deixa de gerar) o dado que ela precisa. A decisão da geladeira acontece antes do pedido; o dado que a justifica nasce depois, na recompra.
O Bees registra o sell-in (pedido do PDV) — mas o sell-out (consumo no balcão) não nasce no processo. Se o processo não captura o evento, nenhum dashboard inventa o dado. Espelho Disney+: o log registra o clique do cancelamento, nunca o porquê.
O driver é o fator que move o resultado. Driver fora da meta → ali está o problema.
| Business driver | Indicador (meta) | Problema no processo |
|---|---|---|
| Tempo de entrega | 36h (meta 24h) | Gargalo na aprovação do pedido |
| Recompra do PDV | 22%/7d (meta 35%) | Trade não captura o sell-out da geladeira |
| Share premium | 12% (meta 20%) | Mix mal definido na negociação do bar |
Middle-out: parta do problema central, depois abra para as pontas.
O driver é a âncora: a cada decisão de modelagem, pergunte — "isso move o driver?". Se não move o indicador que importa, você está modelando a coisa errada. Disney+: driver = retenção nos 90 dias → problema no processo de onboarding, não no catálogo.
Mapeie como é hoje, ache o gargalo, desenhe como deve ser — sempre mirando o driver
2 pessoas · 12h
total: 36h
regra de crédito · 1h
total: 25h ✓
Atividade · responsável · sequência · gateway (decisão) · tempo. Você não desenha — você cobra e valida.
BPMN é norma ISO — o vocabulário padrão entre você e o time técnico. Mesmo papel que uma régua de qualidade teria para a solução.
Quatro elos — cada um depende do anterior, e nenhum garante o seguinte
Driver certo, problema localizado no processo (As Is).
To Be implementado e medido contra o driver.
BPMN · ISO/IEC 19510Dado e ferramenta usados de fato no ritual de decisão.
O processo decisório importa 6x mais que a análise.
Lovallo & Sibony · McKinsey, 2010Dá para ter o driver certo, o processo redondo e a ferramenta adotada — e ainda decidir mal. O último elo não é técnico: é humano. É exatamente por isso que o próximo bloco do dia é Heurísticas e Vieses.
Do caso para o seu contexto: um problema real da sua operação. 45 min · grupos de 4-5
Cada participante escolhe um indicador da própria área abaixo da meta — Sales, Supply, Trade, Finance, o que for. Em grupo, vocês investigam em que ponto do processo esse número se perde e propõem o redesenho, preenchendo o card: driver · indicador (hoje × meta) · problema no processo · As Is → To Be.
2 drivers da sua área + o indicador (hoje vs meta). Travou? Banco de apoio: HL/PDV, SLA de entrega, recompra, ruptura, custo de servir, turnover.
Escolham 1 driver fora da meta. Localizem o problema no processo e desenhem As Is → To Be no Miro — mirando mover o indicador.
3 grupos mostram: driver → problema → To Be. A banca pergunta: o To Be move mesmo o indicador?
Treinar o método num caso conhecido é a parte fácil. O valor aparece quando você o aplica ao próprio processo — e o driver é o que diz se o redesenho moveu o número certo ou mexeu no lugar errado.
Mesmo o gerente mais analítico decide com Sistema 1 antes do Sistema 2. A sala da Disney em julho de 2019 estava cheia de vieses — vamos catalogá-los.
Daniel Kahneman, Thinking, Fast and Slow — e por que importa em comitê
Bob Iger sobre parques desde 1990: Sistema 1 — décadas de padrões reconhecidos, intuição quase infalível. Bob Iger sobre Disney+ em 2019: território de Sistema 2 — exige análise nova, cálculo, comparação com Netflix. Confundir os dois é o risco.
Seis atalhos do Sistema 1; cada um com um custo concreto na operação
Só enxergar o que confirma a sua crença; descartar o que a contraria.
💸 Capital vai para a aposta que "parece" certa — o erro real aparece tarde demais.
Travar no 1º número/referência e ajustar pouco a partir dele.
💸 Negociação e meta fecham no número errado — margem escorre a cada ponto.
Dar peso ao caso recente e vívido em vez do dado agregado.
💸 Política nacional muda por uma reclamação pontual — gasto desproporcional.
A dor de perder pesa mais que o ganho; segura-se o que sangra.
💸 SKU/ativo deficitário mantido "pra não admitir o prejuízo" — margem sangra todo mês.
Superestimar a própria previsão e dispensar o teste.
💸 Aposta sem validar: ruptura, estoque parado ou lançamento furado.
Ficar no jeito atual só por ser o atual, mesmo com opção melhor.
💸 Custo de oportunidade: o canal melhor fica na mesa enquanto o concorrente avança.
8 falas reais de comitês — você identifica o viés em jogo
Alternaremos falas do Bob Iger (Disney) com falas típicas de rituais Ambev (S&OP, Trade, VPO). O objetivo é treinar o ouvido para detectar o viés em tempo real.
Eu leio uma fala de comitê. Em 5 segundos, vocês apontam: qual dos 6 vieses está em jogo?
Confirmação · Ancoragem · Disponibilidade · Aversão à perda · Excesso de confiança · Status quo.
A cada fala, nomeamos o viés e a defesa (pre-mortem, red team). Gabarito completo no próximo slide.
Ao dar nome aos bois, o comitê eleva o nível da discussão sem tornar a crítica pessoal.
Aperte para revelar o viés; aperte de novo para a próxima fala (8 no total)
"…"
—
Não eliminam vieses — reduzem o custo das decisões viciadas
Imagine que daqui a 1 ano Disney+ falhou. Liste as 5 razões mais prováveis. Antes do lançamento.
Mitiga: excesso de confiança
Gary Klein · Harvard Business Review, 2007Designe um grupo para argumentar contra. Ex: time dedicado a defender que Disney+ NÃO deve apostar em ML em 2019.
Mitiga: confirmação, status quo
Cada um escreve estimativa antes do debate. Ancoragem ocorre depois, não no início. Ex: "quantos assinantes em 12 meses?" — em papel.
Mitiga: ancoragem, disponibilidade
Defina antes qual dado fará reverter. Ex: "se churn passar de 8% em 6 meses, refazemos onboarding."
Mitiga: aversão à perda, status quo
As quatro mitigações aplicadas ao caso real — turma dividida em dois times
Preparação (10 min): relembrem o cenário de 2019 (o case) e pesquisem no celular como o Disney+ está hoje — assinantes, lucro do streaming, mudanças de preço e estratégia. Antes de debater, cada um anota sua aposta num papel.
"É 2019. Assumam que a aposta no Disney+ vai fracassar. Apresentem os 3 motivos mais prováveis do fracasso — e o sinal que monitorariam para perceber a tempo."
Mitiga: excesso de confiança, otimismo de comitê.
"Defendam a aposta com evidência externa, não com paixão (Netflix, o IP, a base de fãs). E definam 1 critério de reversão: qual número faria a Disney abortar ou corrigir a rota?"
Mitiga: confirmação, ancoragem no entusiasmo.
O Disney+ bateu a meta de assinantes em 14 meses, mas o streaming queimou bilhões por anos — forçando aumento de preço e foco em lucro. O Red Team teria pego o "crescer no prejuízo"; o Blue acertou o potencial do IP. Decisão robusta não é escolher um lado — é ter os dois na mesa antes de decidir.
15 minutos. Café, banheiro, respiro. Volta com os grupos formados para a atividade integradora do Disney+.
90 minutos, em grupos de 5, para estruturar a resposta que a Gupta levaria ao Bob Iger
O serviço lança em novembro. Você tem 3 dias — aqui, 90 minutos — para defender, em linguagem executiva, onde o Machine Learning resolve um problema que só a Disney tem. Não é sobre fazer ML; é sobre diagnosticar onde ele vale a pena.
"Que valor você e seu time podem gerar — e de que dados precisariam para isso?"
A liderança não quer ouvir sobre algoritmos. Quer ver onde o ML cria um valor que só o Disney+ consegue capturar.
Uma página de diagnóstico + um pitch curto — o mesmo formato do seu projeto real
Diagnóstico no framework GUIDDE · apresentação no formato SCQA
Para vocês exercitarem o método sem a política de uma decisão interna real. O passo a passo é o mesmo que usarão no Bees ou no Zé Delivery.
O GUIDDE de hoje vira o ponto de partida do diagnóstico do seu projeto real no Data Lab, no Módulo 2.
Quatro etapas — ao final, 3 grupos apresentam e os demais viram banca
📲 Entrem no board do Miro
Escaneiem para entrar — cada grupo trabalha no seu frame (ou usem o botão 🧩 Miro no rodapé).
Leiam o briefing do case e anotem as perguntas que vocês fariam ao Bob Iger antes de responder. Dúvidas são respondidas como se vocês perguntassem à própria Gupta.
Preencham o GUIDDE no Miro. Escolham uma métrica acionável (e troquem qualquer KPI melancia) e nomeiem o viés que mais ameaça essa decisão.
5 minutos por grupo. Enquanto um grupo apresenta, os outros são a banca: anotem que vieses cada pitch ignora ou mitiga.
Voltamos à expectativa que você anotou no check-in da manhã: o que você leva daqui para a sua área?
Um apoio para a etapa de ideias — depois de ter o seu GUIDDE, não antes
"Com base no GUIDDE que estruturei: [cole o seu GUIDDE aqui].
Sugira 5 caminhos analíticos diferentes para resolver este problema.
Para cada um, proponha uma métrica acionável e o principal viés a vigiar (ex.: confirmação ou ancoragem).
Priorize soluções que um [seu cargo] consiga patrocinar em 3 meses."
A IA acelera o brainstorm — a decisão e o critério continuam sendo seus.
A história respondeu — e validou o valor de um problema bem definido
No Investor Day, a Disney não apresentou algoritmo — apresentou diagnóstico: meta explícita (60–90 mi), preço deliberado (US$ 6,99 vs US$ 12,99 da Netflix) e o papel dos dados no funil. Problema bem definido moveu a ação antes do produto existir.
"10 milhões de cadastros no dia 1" — métrica acionável ou melancia? (O número incluía pré-cadastros e trials gratuitos de 7 dias.) Que pergunta a Gupta deveria fazer sobre esses 10 milhões?
Seis ideias que valem mais do que qualquer ferramenta
Quem não elicita o VP, retrabalha no dashboard.
Descritiva (HL passado), preditiva (ruptura CDD), prescritiva (rota ótima).
Ambev não precisa de todos os dados — precisa do dado que muda o S&OP.
Ache em que ponto do processo o número se perde — As Is → To Be. O dado vem depois.
Volume bruto é melancia. HL incremental por investimento em trade é acionável.
O Sistema 1 mora no comitê. Nomear a "ancoragem" eleva o jogo de todos.
A jornada DS4DM continua: hoje vocês saíram com a espinha dorsal. O Problem Statement que vocês treinaram no Disney+ vai agora para o seu projeto real no Data Lab Ambev. Bora bater a meta com dados.
Próximo passo: 22/06 · Onboarding online do Data Lab
Levem o Problem Statement de hoje — ele é o ponto de partida do projeto da Ambev.
Leia o QR Code ao lado e nos dê a sua opinião.
