Eu estava procurando um ICP. Descobri que estava procurando o problema errado
Há cerca de 20 dias, publiquei aqui um artigo sobre minha tentativa de vender um sistema de previsão de demanda para pequenos negócios.
Na época, eu tinha chegado a uma conclusão:
primeiro entender como o negócio toma decisões; depois descobrir onde existe uma lacuna; só então mostrar a solução.
Desde então, continuei conversando com empresas.
E descobri uma coisa que mudou bastante minha forma de pensar sobre o EventHorizon-AI:
talvez o meu problema não seja encontrar o setor certo.
Talvez eu esteja procurando o problema errado.
O primeiro erro: transformar um setor em ICP
Quando comecei a conversar com floriculturas, a lógica parecia bastante óbvia.
Flores são perecíveis.
A demanda varia.
É preciso decidir quanto comprar antes de saber exatamente quanto será vendido.
Se comprar pouco, pode faltar.
Se comprar demais, pode sobrar e virar perda.
Então pensei:
“Floriculturas precisam de previsão de demanda.”
Mas isso é uma generalização.
Depois de conversar com várias delas, percebi que duas floriculturas podem enfrentar situações completamente diferentes.
Uma pode comprar praticamente no “feeling”.
Outra pode ter histórico de vendas, planilhas, registros de compras e um processo bastante estruturado.
Uma pode perder dinheiro frequentemente quando erra a quantidade.
Outra pode ter um fornecedor que repõe rapidamente.
Uma pode ter grandes problemas em datas comemorativas.
Outra pode já ter desenvolvido uma maneira bastante eficiente de lidar com essas datas.
O setor é o mesmo.
O problema não é.
O caso que mais me fez repensar o ICP
Uma das conversas que tive foi com uma floricultura que vou chamar de FLEUR.
Perguntei como eles decidiam quanto comprar para datas maiores.
A resposta foi interessante:
eles usam histórico de vendas, mas também usam o próprio feeling.
Eles fazem uma planilha com a quantidade de buquês e arranjos que esperam vender e, a partir disso, calculam a quantidade de flores necessária.
Além disso, registram o que aconteceu depois:
- quanto compraram;
- quanto venderam;
- quanto sobrou;
- como foi o desempenho daquela data.
No ano seguinte, usam esse histórico novamente.
E ainda ajustam a previsão de acordo com o crescimento da loja e com o comportamento dos meses anteriores.
Perguntei se, mesmo fazendo tudo isso, a venda real costumava ficar muito diferente do planejado.
A resposta foi basicamente:
“Não fica muito diferente não.”
Eles relataram pequenas sobras, mas não uma falta significativa de flores.
Isso foi importante.
Porque, tecnicamente, essa empresa tem exatamente as características que inicialmente me fizeram pensar em floriculturas como ICP:
- produto perecível;
- demanda variável;
- datas de pico;
- necessidade de comprar antes da venda.
Mas, na prática, o problema econômico que eu queria resolver já era pequeno para eles.
E isso muda tudo.
O que eu realmente deveria estar procurando?
Comecei então a reformular a pergunta.
Antes:
“Qual setor precisa de previsão de demanda?”
Agora:
“Em que situação um erro de previsão realmente custa dinheiro?”
Essa diferença parece pequena.
Não é.
Um negócio pode ter demanda variável sem sofrer muito com isso.
Pode ter sobra sem que a sobra seja relevante.
Pode ter falta e conseguir repor rapidamente.
Pode ter histórico e já usar esse histórico muito bem.
Pode ter experiência suficiente para manter as perdas muito baixas.
Nesse caso, adicionar um modelo de machine learning não necessariamente resolve um problema importante.
Talvez apenas torne mais sofisticado algo que já funciona.
E eu não quero construir uma solução procurando uma justificativa para ela existir.
Quero encontrar um problema que já exista.
Comecei a pensar em mecanismos, não setores
Em vez de definir o ICP simplesmente como:
“floriculturas”
comecei a procurar uma combinação de características.
Por exemplo:
1. Perecibilidade + reposição lenta
O negócio precisa decidir quanto comprar ou produzir antes de conhecer a demanda.
Se errar, não consegue corrigir rapidamente.
O produto tem uma janela curta de venda.
E o erro gera perda relevante.
Aqui, uma previsão melhor pode ter valor porque existe pouco espaço para corrigir uma decisão ruim.
2. Decisão recorrente + alto volume
Talvez o produto nem precise ser extremamente perecível.
Se a empresa toma a mesma decisão todos os dias, em grande volume, pequenos erros podem se acumular.
Por exemplo:
produzir um pouco demais todos os dias.
Ou produzir um pouco de menos.
Um erro isolado pode ser irrelevante.
Centenas de decisões semelhantes podem ser diferentes.
3. Muitos produtos + complexidade
Existe também outro mecanismo possível.
Talvez o problema não seja apenas a variabilidade da demanda.
Talvez seja a quantidade de coisas que precisam ser previstas.
Uma pessoa pode conseguir acompanhar manualmente 5 produtos.
Mas e 50?
E 200?
Nesse caso, a questão passa a ser menos:
“A pessoa sabe prever?”
e mais:
“É humanamente viável fazer isso bem para todos os produtos?”
Ainda não sei qual desses mecanismos será realmente relevante.
Estou testando.
Então comecei a testar padarias
Depois das floriculturas, comecei a conversar com padarias.
A lógica é diferente, mas existe uma característica interessante:
a produção acontece antes da demanda ser completamente conhecida.
E muitos produtos têm vida útil curta.
No primeiro lote de conversas, já encontrei situações bem diferentes.
Uma padaria me explicou que controla cuidadosamente a quantidade produzida para oferecer produtos mais frescos.
Alguns produtos são feitos todos os dias.
Outros, dia sim, dia não.
Eles disseram que esse é simplesmente o jeito de trabalhar deles.
Outra padaria explicou que, quando sobra um pouco, normalmente vende o produto na manhã seguinte, antes da próxima produção.
Ou seja:
existe sobra, mas existe também um mecanismo para absorvê-la.
Isso é diferente de uma perda real.
E encontrei um caso ainda mais interessante
Uma das padarias com que conversei está há cerca de 18 anos no mercado.
Eles disseram que já têm um certo equilíbrio sobre quais produtos têm maior e menor procura.
Também relataram que tentam produzir os produtos mais solicitados para manter a perda muito baixa.
Até aí, poderia parecer apenas experiência acumulada.
Mas perguntei como lidavam com mudanças na procura.
A resposta foi:
histórico de vendas.
Perguntei então se utilizavam esse histórico para decidir quanto produzir nos próximos dias, comparando dias parecidos.
A resposta foi:
sim.
Ou seja, encontrei novamente uma empresa que já possui alguma forma de feedback:
vender → observar histórico → ajustar produção → vender novamente.
E isso é exatamente o tipo de coisa que eu preciso levar em consideração antes de concluir que “essa empresa precisa de previsão”.
Talvez ela precise.
Talvez não.
Ainda estou investigando.
Isso mudou minha definição de “dor”
Antes, eu ficava muito satisfeito quando alguém dizia:
“Sim, às vezes sobra.”
Hoje isso não é suficiente.
Quero saber:
Com que frequência?
Quanto isso representa?
A empresa perde dinheiro de verdade?
Consegue corrigir rapidamente?
Já possui um processo para aprender com o passado?
Esse processo funciona razoavelmente bem?
E principalmente:
Se eu melhorar a previsão, existe uma consequência econômica relevante?
Essa última pergunta é provavelmente a mais importante.
Porque uma melhoria estatística não necessariamente vira valor econômico.
Uma previsão 10% melhor pode valer zero
Imagine duas empresas.
A primeira erra sua previsão em 10%.
Quando erra para cima, perde R$ 20.
Quando erra para baixo, simplesmente repõe o produto no mesmo dia.
A segunda também erra 10%.
Mas cada erro significa centenas ou milhares de reais em produtos perdidos ou vendas que não conseguem ser recuperadas.
As duas têm “erro de previsão”.
Mas apenas uma necessariamente tem um problema econômico interessante.
Isso me fez perceber uma coisa:
eu estava pensando demais na métrica do modelo e pouco na função econômica do erro.
No meu trabalho técnico, WAPE, validação walk-forward e testes estatísticos são importantes.
Mas para o produto existe outra pergunta:
“O que acontece quando o modelo erra?”
É aí que começa o valor.
E isso também muda o que eu pergunto
Agora estou tentando descobrir o mecanismo antes de falar sobre a solução.
Por exemplo, em uma padaria, uma pergunta pode ser:
“Quando acontece de sobrar ou faltar, vocês conseguem corrigir rapidamente, ou normalmente precisam esperar a próxima produção ou compra?”
Essa pergunta parece simples.
Mas ela separa situações completamente diferentes.
Se a resposta for:
“A gente repõe no mesmo dia.”
Temos uma informação importante.
Se for:
“O fornecedor só entrega duas vezes por semana.”
Temos outra situação.
Se for:
“Quase nunca acontece porque nosso histórico já funciona muito bem.”
Temos outra.
A conversa começa a revelar onde está o mecanismo econômico do problema.
Ainda não encontrei o ICP
E essa é provavelmente a parte mais importante deste artigo.
Eu não vou terminar dizendo:
“Descobri meu ICP!”
Porque não descobri.
Ainda estou testando hipóteses.
O que mudou foi a forma de procurar.
Antes eu pensava:
setor → problema → solução.
Agora estou tentando pensar:
mecanismo → impacto econômico → processo atual → lacuna → solução.
E isso também significa aceitar que muitos leads vão ser descartados.
Uma empresa pode ser interessante.
Pode responder.
Pode ter demanda variável.
Pode até ter alguma sobra.
E ainda assim não ser um bom cliente.
Isso não significa que a conversa foi inútil.
Significa que o experimento funcionou.
O novo experimento
Estou tratando essa etapa do EventHorizon-AI quase como trato meus experimentos técnicos.
Tenho uma hipótese.
Faço uma pequena amostra.
Converso com empresas.
Registro os mecanismos encontrados.
Procuro contraexemplos.
E reformulo a hipótese.
Em vez de tentar convencer 100 empresas de que elas precisam de previsão de demanda, quero descobrir primeiro:
quais empresas têm um erro de decisão recorrente, relevante e difícil de corrigir — e ainda não possuem um processo suficientemente bom para lidar com ele?
Se eu encontrar essas empresas, aí sim faz sentido mostrar o modelo.
Antes disso, provavelmente estou apenas tentando vender uma tecnologia.
A parte curiosa
No começo do EventHorizon-AI, eu passei meses tentando melhorar o modelo.
Depois passei meses tentando melhorar a venda.
Agora estou percebendo que existe uma terceira camada:
descobrir exatamente o problema que vale a pena resolver.
Talvez o modelo esteja bom.
Talvez o pitch esteja bom.
Mas, se eu estiver falando com a empresa errada, nenhuma das duas coisas importa.
E talvez essa seja uma das partes mais difíceis de construir uma startup:
não é apenas descobrir se você consegue construir alguma coisa.
É descobrir para quem aquilo realmente precisa existir.
Ainda estou procurando.
Mas agora, pelo menos, estou procurando uma coisa mais específica.
Não quero encontrar um setor que tenha previsão de demanda.
Quero encontrar um negócio em que errar a quantidade realmente dói — e em que uma previsão melhor consiga mudar alguma coisa.