Diagnóstico de Prontidão de Dados

Modelos preditivos exigem a leitura de histórico de faturamento para calcular Churn, LTV e cohort segments.

Stripe / Recurly / RecorrePayLogs de eventos de faturamento e assinaturas estruturados de forma robusta.

VTEX / Shopify / Plataforma de E-commerceHistórico de pedidos com ID de cliente e UTMs de transações integrados.

Banco de Dados Próprio (Postgres/MySQL)Dados estão no banco corporativo, mas exigem consultas SQL customizadas.

Não tenho faturamento estruturado / Planilhas soltasHistórico financeiro em planilhas manuais ou não centralizado por cliente.

Sinais de uso ativo no produto ou cliques de conversão são os fatores preditivos mais fortes para CS e marketing.

Mixpanel / Amplitude / Segment logs completos de sessões, logins e uso de features críticas identificados por ID.

Google Analytics 4 (GA4) / Eventos básicos de siteMapeamento básico de visitas e conversões, sem logs robustos de produto individualizados.

Logs de Servidor / Banco de Dados PróprioLogs de atividades gravados internamente nos servidores de aplicação.

Não monitoramos eventos / Sem ferramenta de trackerNão gravamos cliques ou ações individuais dos usuários após o cadastro.

Algoritmos preditivos precisam de ciclos de renovações ou sazonalidade anual para treinar a regressão/classificação.

Mais de 18 meses de históricoDados ideais para modelagem. Cobre ciclos inteiros e sazonalidades.

Entre 12 e 18 meses de históricoSuficiente para modelos de Churn Prediction e análises RFM iniciais.

Entre 6 e 12 meses de históricoViável apenas para a auditoria de gaps e modelos de priorização simples.

Menos de 6 mesesLogs insuficientes para calibrar algoritmos de IA/Machine Learning.

Sistemas preditivos de aquisição dependem do status final das contas fechadas vs. perdidas.

HubSpot / Salesforce (Atualizado)Negócios fechados e motivos de perda registrados de forma clara.

RD Station CRM / ActiveCampaign / OutroControle básico de funil, com algumas defasagens de campos preenchidos.

Planilhas Comerciais / NotionOs dados de conversão existem, mas estão soltos e sem sincronização automática.

Não usamos CRM / Sem controle históricoNão gravamos motivos de perda ou histórico estruturado de leads.

Modelos de IA precisam de volume estatisticamente significativo para alcançar taxas de acerto satisfatórias.

Alto volume (> 500 contratos ativos / 10k+ pedidos por mês)Excelente massa de dados para treinar regressões logísticas ou árvores de decisão.

Volume moderado (100 a 500 contratos / 1k a 10k pedidos/mês)Dentro dos critérios saudáveis do catálogo preditivo da Conectivo.

Volume inicial (50 a 100 contratos / 500 a 1k pedidos/mês)Massa estatística mínima. Exige acompanhamento da auditoria inicial.

Baixo volume (< 50 contratos ativos / < 500 pedidos/mês)Massa estatisticamente incipiente. Treinamento de ML inviável no momento.

Data Readiness Scorecard