Priorização de Projetos — Simulador RICE e VPL

Priorizar bem é a segunda atividade mais importante de uma equipe de ciência de dados (a primeira é a definição da própria equipe).

O objetivo não é acertar o valor que a iniciativa vai gerar — é reunir o conhecimento da empresa sobre o assunto e chegar a uma priorização com a qual todos concordam. É uma forma de reduzir e compartilhar riscos. Use as abas abaixo para experimentar cada técnica.

Análise qualitativa: cada projeto recebe um Alcance (quantas pessoas impacta), um Impacto por pessoa, uma Confiança nas estimativas e um Esforço (pessoa-mês). Edite os valores e veja o ranking se reorganizar.

Ranking RICE

RICE = Alcance × Impacto × ConfiançaEsforço

Escalas usadas

Impacto: 3 = muito grande · 2 = grande · 1 = médio · 0,5 = pequeno · 0,25 = mínimo
Confiança: alta = 100% · média = 80% · baixa = 50%
Esforço: pessoas-mês (ou faixas, conforme a necessidade)

Análise quantitativa: o VPL traz o fluxo de caixa da iniciativa a valor presente. Os valores iniciais reproduzem o exemplo simples da aula — R$ 25 mil de custo no 1º mês, R$ 2 mil/mês a partir do 5º mês, vida de 3 anos e taxa de 11% a.a.

Custos

Custo de desenvolvimento (R$)

Mês em que o custo ocorre

Custo recorrente mensal (R$)

Manutenção, infraestrutura… a partir do início do benefício.

Benefício

Benefício mensal (R$)

Início do benefício

Vida do projeto

Premissa da empresa, baseada na vida média de projetos passados.

Taxa de desconto

Taxa anual

Depende do custo de capital e do custo de oportunidade da empresa.

Arredondar a taxa mensal para 0,87% (como na conta do slide)

Fluxo de caixa mês a mês

Fluxo nominal (R_t) Valor presente R_t/(1+i)^t VPL acumulado

Ver a conta mês a mês

O cálculo do VPL não tem segredo — o segredo está no fluxo de caixa. Exemplo da aula: valuation de uma iniciativa para identificar e reter clientes com risco de churn. Parte das entradas vem dos dados (conhecida), parte são premissas sobre como o projeto vai performar (desconhecida).

Parcela conhecida — dados

Clientes perdidos por churn / mês

Valor de reter um cliente (LTV, R$)

Quanto a empresa ganha, em média, mantendo um cliente que iria sair.

Parcela desconhecida — premissas

Recall do modelo

% dos clientes que vão sair que o modelo consegue identificar.

Precisão do modelo

Dos clientes abordados, quantos iriam de fato sair. Precisão baixa = ofertas gastas com quem ficaria.

Efetividade da ação comercial

% dos churners abordados que decidem ficar.

Custos e horizonte

Custo da ação por cliente abordado (R$)

Desenvolvimento do modelo (R$, mês 1)

Manutenção mensal (R$)

Modelo em produção a partir do mês

Vida / taxa

Do modelo ao fluxo de caixa mensal

VPL conforme as premissas desconhecidas

Cada célula é o VPL do projeto para uma combinação de recall do modelo (colunas) e efetividade da ação (linhas), mantendo o resto fixo. O círculo marca as premissas atuais. Clique numa célula para usá-la.

Cenários — mesma base de dados, premissas diferentes

Na prática há mais projetos bons do que orçamento. Aqui cada projeto tem seu VPL, e você escolhe quais executar com um orçamento limitado. Compare o critério ótimo com regras simples de bolso. Valores do exemplo em R$ mil, inspirados no case CATFLIX.

Orçamento de investimento

Taxa de desconto anual

Critério de seleção:

VPL total do portfólio por critério

Para levar da aula

Priorização é colaborativa

Envolva todas as áreas e stakeholders. Em métodos qualitativos, prefira dinâmicas em grupo — por exemplo, uma reunião com votação dos projetos usando Miro ou Mural. O modo comitê da aba RICE simula isso: divergências grandes sinalizam onde é preciso conversar.

Errar a estimativa faz parte

Estimar se uma iniciativa vai dar certo é até mais difícil do que implementá-la. Se der errado, significa que o conhecimento reunido da empresa não foi suficiente para prever as incertezas — e tudo bem.

VPL > 0 → projeto lucrativo

Equivale a dizer que o ganho médio é maior que a taxa de desconto i. Em resumo: é preferível gastar pouco e no futuro, e ganhar muito e agora.

Outras técnicas

Pesquisa interna: AHP (Analytical Hierarchy Process), MACBETH e outros métodos de MCDA (análise de decisão multicritério).
Pesquisa com clientes: MaxDiff (Louviere, 1987) e Conjoint Analysis, para medir preferência por atributos.

Comunicação contínua

Documente cada projeto (Confluence, SharePoint…) com um cartão: objetivo, premissas, valor estimado e status. Para refinar o entendimento de um projeto de ML, use o Machine Learning Canvas (Louis Dorard).