Quando alguém fala que KPI tem que orientar decisão, o que isso significa na prática?
O que concretamente faz um KPI orientar decisão? Entenda como contexto e modelagem adequada transformam um painel de números em ferramenta de decisão.
Todo mundo já ouviu isso em alguma reunião. Dado tem que orientar decisão. KPI tem que ter estratégia por trás. Dashboard tem que gerar insight.
Mas o que concretamente faz um indicador ter essa propriedade?
Existe um critério simples, raramente explicitado: um KPI orienta decisão quando, dependendo do valor que ele apresenta, existe um conjunto de ações que a empresa pode tomar em resposta. Ações concretas, viáveis, conhecidas por quem opera aquele negócio. Se esse conjunto não existe, ou quem construiu o painel não consegue enumerá-lo, o indicador ainda não está pronto para estar ali.
Esse critério tem duas origens possíveis de falha. A primeira é falta de contexto no dado. A segunda é modelagem inadequada para o negócio.
A falta de contexto aparece quando o indicador está tecnicamente correto mas isolado das referências que dariam a ele capacidade de apontar para uma direção.
Considere um painel de gestão de frota com custo por quilômetro consolidado:
| Indicador | Valor |
|---|---|
| Custo total da frota | R$ 180.000 |
| Km rodados | 120.000 km |
| Custo por km | R$ 1,50 |
O número está ali. Mas o que ele responde? Se está caro ou barato depende de comparação com quê. Sem referência por rota, por região, por tipo de veículo ou por meta operacional, não é possível saber se o custo está alto porque uma rota específica está com desvio de percurso, porque há concentração de manutenção corretiva em determinado grupo de veículos, porque o índice de ociosidade aumentou em uma regional, ou simplesmente porque o custo de combustível subiu e isso reflete o mercado. São diagnósticos completamente diferentes, que levam a decisões completamente diferentes.
Com a estratificação adequada, o mesmo indicador muda de natureza:
| Indicador | Regional A | Regional B | Meta | Desvio |
|---|---|---|---|---|
| Custo por km | R$ 1,50 | R$ 1,90 | R$ 1,55 | Regional B: +23% |
| % Manutenção corretiva | 18% | 41% | até 20% | Regional B: alerta |
| Ociosidade da frota | 12% | 28% | até 15% | Regional B: alerta |
Agora o indicador aponta para uma direção. A Regional B tem custo por km acima da meta, concentração de manutenção corretiva fora do padrão e ociosidade elevada. Isso é o início de uma investigação com foco definido. O dado não mudou. O contexto que o cerca é que passou a existir.
A segunda origem de falha é mais profunda: a modelagem do indicador não serve para o contexto do negócio.
A fórmula convencional de turnover é conhecida:
Turnover (tradicional) = (Admitidos + Demitidos) / Headcount médio × 100
Funciona bem em contextos onde admissão e demissão são eventos independentes e onde as alavancas para reduzir rotatividade estão dentro da própria organização: clima, liderança, remuneração, desenvolvimento de carreira.
Em empresas de field service, que vendem postos de trabalho alocados no cliente, essa lógica não se aplica diretamente. O colaborador é o produto entregue. Quando alguém deixa o posto, a substituição é imediata porque o contrato com o cliente exige a posição preenchida. Admissão e demissão deixam de ser dois eventos distintos e passam a ser um único evento de reposição. A fórmula adequada para esse contexto reconhece isso:
Turnover (field service) = (Admitidos + Demitidos) / (2 × Headcount médio) × 100
Mas o problema maior não é matemático. As ações para mover esse turnover têm pouca relação com clima organizacional interno. Elas estão na competitividade salarial embutida no contrato com o cliente, nas condições de trabalho definidas pelo tomador do serviço, na dinâmica sindical do setor, no escopo contratado.
| Alavanca | Empresa tradicional | Field service |
|---|---|---|
| Clima e cultura | Alta influência | Baixa influência |
| Remuneração interna | Alta influência | Média influência |
| Precificação no contrato | Não se aplica | Alta influência |
| Condições impostas pelo cliente | Não se aplica | Alta influência |
| Acordos sindicais do setor | Baixa influência | Alta influência |
Um indicador modelado de forma inadequada para o contexto não só entrega um número errado. Ele orienta energia e recurso para as alavancas erradas.
O teste antes de publicar qualquer painel
Existe uma forma prática de testar se um KPI está bem construído antes de publicar o painel. Para cada indicador, três perguntas:
Se esse número aparecer significativamente acima do esperado na próxima semana, quais são as ações possíveis, quem as executa e em quanto tempo o efeito aparece no indicador?
Se aparecer significativamente abaixo, as ações mudam? Quem decide e com base em quê?
Se o número ficar estável por três meses seguidos, isso é bom ou ruim para o negócio?
Aplicando esse teste ao exemplo de frota: custo por km consolidado não responde nenhuma das três perguntas com precisão suficiente para gerar ação. Custo por km por regional, estratificado por índice de manutenção corretiva e ociosidade, responde as três. A diferença não está no indicador em si. Está no nível de granularidade e nas referências que o cercam.
Aplicando ao turnover em field service: se a modelagem está errada, a terceira pergunta expõe o problema imediatamente. Turnover estável por três meses numa operação de field service pode significar que os contratos estão bem precificados e as condições de trabalho são competitivas no mercado. Ou pode significar que a operação está em baixa atividade e o volume de reposições caiu. São leituras opostas do mesmo número, e a fórmula tradicional não distingue uma da outra.
| Pergunta | KPI sem contexto | KPI bem construído |
|---|---|---|
| Número alto: o que fazer? | Não há resposta clara | Ação definida, responsável identificado |
| Número baixo: o que fazer? | Não há resposta clara | Ação definida, responsável identificado |
| Número estável: é bom ou ruim? | Depende, sem critério | Depende, com critério explícito |
Vale aplicar esse teste nos dashboards que já existem, não só nos novos. Painéis antigos acumulam indicadores que um dia fizeram sentido e nunca foram revisitados. O negócio muda, a operação muda, o contexto muda. O dashboard costuma ficar igual.
Um indicador que passou por esse teste e não tem resposta para nenhuma das três perguntas tem dois caminhos possíveis: ou precisa de mais contexto e estratificação, como no caso da frota, ou a modelagem precisa ser revisada para o contexto específico daquele negócio, como no caso do turnover em field service.
Em ambos os casos, o problema não está na ferramenta de visualização nem no volume de dados disponível. Está na distância entre quem construiu o painel e quem opera o negócio que ele representa. Quanto menor essa distância, maior a chance de o dashboard deixar de ser registro histórico e passar a orientar o que a empresa faz a seguir.
Sobre a autora
Mayara Souza é Engenheira Civil com MBA em Pesquisa Operacional, Gestão da Inovação e Marketing pela ESPM e ITA. Atua há mais de 15 anos em planejamento estratégico, inteligência de negócios e gestão de performance em empresas de engenharia de grande porte. Escreve sobre a aplicação prática de métodos analíticos e de gestão em ambientes de alta complexidade operacional.
