Cultura Data-Driven by Gustavo Santos

Cultura Data-Driven · by Gustavo Santos

A realidade dá sinais.

O tempo inteiro.

  • alguém procurou e não encontrou
  • a obra atrasou três dias
  • uma reclamação apareceu de novo
  • uma máquina parou pela segunda vez
  • o cliente desistiu antes de pagar
  • terça vende diferente de quinta
  • um horário ficou vazio
  • um custo começou a subir

Sua empresa já está falando.
A questão é: você está ouvindo?

Role devagar

Em uma frase

Cultura Data-Driven é aprender a olhar para o que está acontecendo, fazer perguntas melhores e usar as respostas para decidir melhor.

A definição formal

”A capacidade institucional de transformar sinais da realidade em ativos estratégicos que orientam decisões, reorganizam operações e geram valor.”

Capacidade: algo que a organização consegue fazer de novo, e de novo. Institucional: não depende de uma pessoa só. O resto desta página explica cada palavra — com exemplos.

Caminhão fora de estrada parado numa mina a céu aberto ao entardecer, com uma luz âmbar acesa

Antes do dado, existe a realidade

Uma máquina parou pela segunda vez nesta semana.

Isso é um sinal da realidade. Aconteceu antes de qualquer planilha, sistema ou dashboard. O que acontece com ele agora depende da organização.

Os cinco destinos de um sinal

Percebido

Alguém nota, anota e compara com a semana anterior.

O sinal vira dado. E o dado pode virar pergunta.

Ignorado

Ninguém repara. A máquina volta a funcionar e o dia segue.

Para a organização, não aconteceu.

Normalizado

Todo mundo viu. "Essa máquina é assim mesmo."

Deixa de gerar reação. É assim que pequenos desvios crescem em silêncio.

Distorcido

Alguém registra — mas como "manutenção programada".

Existe um dado. Só que ele conta outra história.

Disperso

O operador sabe. Comentou no café. Não está escrito em lugar nenhum.

O conhecimento fica preso numa pessoa — e vai embora com ela.

A planilha não enxerga o que não foi registrado.

Um caso pequeno para uma ideia grande

A tapioca que ninguém vendia.

Um exemplo contado pelo iFood mostra a cadeia inteira funcionando — do clique de alguém com fome até uma oferta que não existia.

  1. 01 · Sinal

    Num bairro, pessoas abrem o aplicativo e procuram tapioca.

  2. 02 · Dado

    Cada busca fica registrada. Inclusive as que não terminam em pedido.

  3. 03 · Informação

    Com contexto, aparece um padrão: existe procura por tapioca ali, em certos dias e horários — e ninguém vendendo.

  4. 04 · Pergunta

    “Onde existe desejo de consumo ainda não atendido?”

  5. 05 · Evidência

    Uma busca isolada não basta. O algoritmo só age quando a procura chega a um volume que vale a pena.

  6. 06 · Interpretação

    Ele lista os restaurantes do raio, lê os cardápios e deduz quem já tem os ingredientes. Depois olha o posicionamento de cada um: tapioca combina com padaria, não com restaurante sofisticado.

  7. 07 · Comunicação

    Os estabelecimentos certos recebem o aviso: há demanda de tapioca na sua região, você tem os ingredientes, aqui está a receita. É só apertar um botão.

  8. 08 · Decisão e ação

    O dono decide incluir no cardápio. A padaria podia vender tapioca — e, sozinha, nunca saberia que havia demanda.

  9. 09 · Aprendizado

    A pergunta que funcionou uma vez pode ser feita de novo — outro bairro, outro produto. Quando isso se repete, vira capacidade.

Ouça da fonte

Diego Barreto, CEO do iFood, no Flow Podcast.

Um corte de 13 minutos da entrevista, com os exemplos desta página. Escolha por onde começar:

  1. 1:07174 modelos próprios
  2. 3:07Futebol e entregadores
  3. 4:33A tapioca
  4. 8:56Crédito para restaurantes
  5. 11:42O teste do supermercado
Abrir no YouTube → Episódio completo no Flow →

Caso relatado Relato de Diego Barreto, CEO do iFood, no Flow Podcast (2025), a partir de 4:33 do corte (42:44 no episódio completo). Ele descreve como o algoritmo funciona usando um bairro como exemplo; bairro, dias e horários são ilustrativos na própria fala. Leia a crônica completa →

O dado não é o começo

Do sinal ao ativo estratégico.

Treze passagens. Cada uma só permite afirmar o que a anterior sustenta. Quando alguém pula do dado direto para a decisão, nasce a falsa certeza “baseada em dados”.

  1. 01SinalUm acontecimento no mundo, antes de qualquer registro. Não é dado.
  2. 02DadoO registro parcial de um sinal. Não é a realidade.
  3. 03InformaçãoDado com contexto: quando, onde, em relação a quê. Não é evidência.
  4. 04EvidênciaInformação que passou por confiabilidade, comparação, método e limite. Não é certeza absoluta.
  5. 05InterpretaçãoSentido atribuído com responsabilidade, separando fato de hipótese. Não é opinião solta.
  6. 06ComunicaçãoA evidência traduzida em entendimento compartilhado. Não é enfeite.
  7. 07DecisãoAssumir um caminho, com prioridade, renúncia e responsável. Não é recomendação.
  8. 08AçãoMudar de fato uma prática, um processo, um recurso ou uma regra. Não é intenção.
  9. 09ResultadoA resposta da realidade à ação. Não é prova de acerto.
  10. 10AprendizadoO que se preserva da comparação entre o esperado e o realizado. Não é lembrança de alguém.
  11. 11ValorA utilidade gerada: margem, eficiência, menos risco, mais confiança. Não é só dinheiro.
  12. 12CapacidadeA habilidade que permanece depois do uso — e se repete. Não é resultado pontual.
  13. 13Ativo estratégicoDado, regra ou aprendizado confiável, governado e reutilizável. Não é dado só por existir.

O valor não está em possuir dados.
Está no que a organização consegue fazer com eles — de novo, e de novo.

Casos que a teoria usa

Três histórias. Três elos da cadeia.

Casos servem para iluminar um princípio, não para prometer o mesmo resultado. Cada um traz a fonte e o tipo de registro.

Moto de entrega estacionada numa rua molhada à noite, com os refletores de um estádio acesos ao fundo

Caso relatado Elo: sinal → aprendizado

O jogo que tirava entregadores da rua.

O iFood tem um modelo que prevê se haverá entregador disponível para cada pedido. Um dia, o próprio modelo mostrou uma relação que ninguém tinha perguntado: quando Flamengo ou Corinthians jogavam, muitos entregadores saíam da plataforma. Paravam a moto para ver o jogo.

O aprendizado entrou no modelo. Os entregadores passaram a informar o time, e a tabela dos campeonatos virou dado. Em dia de jogo, o sistema chama quem torce para outro time.

Às vezes o sinal chega antes da pergunta.

Fonte: relato de Diego Barreto (iFood), Flow Podcast.

Ouvir este trecho 3:07

Caso relatado Elo: dado → ativo estratégico

Crédito pelo trabalho, não pelo histórico.

O pequeno restaurante que banco nenhum atende deixa rastros todos os dias: se vende mais ou menos, se repassa a inflação, se os clientes gostam, se entrega no prazo. O iFood transformou esses dados em capacidade de conceder crédito.

“Eu não avalio ele pela situação de crédito. […] Eu avalio o trabalho do cara.”

Segundo Barreto, a carteira já passa de R$ 1 bilhão, com prazo médio de 18 meses.

O outro lado. O modelo parte da probabilidade de o restaurante não sair do iFood. O mesmo ativo que dá crédito a quem o banco recusa também aumenta a dependência de quem o recebe. Dado também é poder.

Fonte: relato de Diego Barreto (iFood), Flow Podcast.

Ouvir este trecho 8:56

Caso documentado Elo: ação sem gestão por desvio

45min

Quando a automação corre sem ninguém olhando.

Em 1º de agosto de 2012, um erro de implantação fez o sistema de negociação da Knight Capital enviar mais de 4 milhões de ordens em 45 minutos. Cada ordem era um sinal de que algo estava errado. Não havia mecanismo para perceber e parar.

O prejuízo passou de US$ 460 milhões.

Automação acelera tudo. Inclusive o erro.

Fonte: SEC, comunicado 2013-222 (16/10/2013).

A pergunta certa

Escolha uma frase que você já ouviu numa reunião.

“Segunda-feira vende menos.”

Como você sabe?

O que precisaríamos observar para descobrir:

  • Vendas por dia da semana, de vários meses — não de uma semana só.
  • Faturamento ou margem? Salão ou delivery?
  • Feriados e promoções no meio do caminho.
  • Segunda vende menos… ou a loja abre mais tarde?

“Esse cliente saiu porque achou caro.”

Como você sabe?

O que precisaríamos observar para descobrir:

  • O que ele disse — e o que fez antes de sair.
  • Clientes parecidos que ficaram pagando o mesmo preço.
  • Reclamações de atendimento, prazo ou qualidade.
  • Quando o preço mudou e quando as saídas aumentaram.

“A obra atrasou por causa da chuva.”

Como você sabe?

O que precisaríamos observar para descobrir:

  • Quantos dias choveu de fato — e em quais frentes.
  • Atrasos que aconteceram em dias secos.
  • Entrega de material, equipe, mudanças de projeto.
  • O que o cronograma assumia sobre o clima.

Intuição não é inimiga. Ela abre a investigação.
O erro é deixar a hipótese se fantasiar de evidência.

E a Cultura Data-Driven? Como a gente sabe?

Empresas orientadas por dados performam melhor?

Seria incoerente pedir evidência a você e responder com opinião. Então fomos às pesquisas: um estudo econométrico, três meta-análises e dois estudos que mediram a própria cultura.

  1. Estudo · 179 empresas

    5–6%

    mais produtividade

    Grandes empresas que levavam dados até a decisão produziam 5 a 6% mais do que o esperado, mesmo considerando seus outros investimentos em tecnologia.

    Brynjolfsson, Hitt & Kim, 2011 →

  2. Meta-análise

    125

    estudos · 26 países

    Analytics aparece ligado a melhor desempenho operacional, financeiro e de mercado. Pessoas, gestão e cultura pesaram mais no valor do que a tecnologia.

    Oesterreich, Anton & Teuteberg, 2022 →

  3. Meta-análise

    107

    estudos

    Fatores técnicos e sociais importam. Os humanos e a estrutura da organização predominam.

    Oesterreich et al., 2022 →

  4. Estudo · Turquia

    132

    empresas

    A cultura data-driven faz a ponte entre ter capacidade analítica e ter desempenho operacional e financeiro.

    Karaboga et al., 2023 →

  5. Estudo · MPMEs

    149

    pequenas e médias

    Perceber mudanças e analisar melhoraram o desempenho operacional. A cultura data-driven amplificou o efeito.

    Wong & Ngai, 2023 →

  6. Meta-análise

    34

    estudos

    O efeito é positivo, e parte dele passa pela agilidade: a empresa precisa conseguir reagir ao que a análise revela.

    Liu, Singh & Al Shibli, 2025 →

O padrão

  1. Tecnologia sozinha não basta.
  2. Analytics ajuda.
  3. Analytics + pessoas + gestão + cultura é onde o valor aparece.

O número que circula errado

“Empresas data-driven são 19 vezes mais lucrativas.”

A origem é uma pesquisa da McKinsey de 2013 com 400 executivos sobre um tipo de análise, a de clientes. Os usuários mais intensivos tinham 19 vezes mais chance de relatar rentabilidade acima da média. É um dado forte, mas autodeclarado, comparando extremos e sem provar causa.

O que as pesquisas não dizem

  • Que usar dados causa lucro automaticamente.
  • Que comprar tecnologia melhora desempenho.
  • Que o efeito é igual para qualquer empresa. Nenhum dos estudos tem amostra brasileira.
Leia o dossiê completo →

Tudo isso pode ajudar.

Mas nenhuma dessas coisas é Cultura Data-Driven.

  • Um painel mostra um desvio. Não garante que alguém decida.
  • Uma automação acelera um fluxo. Acelera o erro também.
  • Uma IA responde rápido. Não garante que a pergunta fazia sentido.
  • Uma análise entrega evidência. Não garante que ela atravesse pessoas.

Tecnologia escala a cultura que já existe. Em cultura madura, amplia inteligência. Em cultura frágil, amplia ruído.

A pergunta continua sendo:
o que essa informação mudou?

Os dois motores

Enxergar não basta. É preciso não esquecer.

Motor da Inteligência

Lê a realidade e transforma em ação.

Perceber, registrar, construir evidência, interpretar, comunicar, decidir, agir, aprender.

Motor da Sustentação

Impede que a inteligência se perca.

Documentação, memória, rastreabilidade, padrões, responsabilidade, continuidade.

Inteligência sem sustentação vira episódio. Sustentação sem inteligência vira burocracia.

Sabe aquela planilha que só uma pessoa entende?
O “todo mundo sabe que é assim” que ninguém escreveu?
O prompt de IA que só um colaborador sabe usar?

Isso tem nome: inteligência cativa.

O problema não é a pessoa que sabe. É a organização que não sabe sem ela.

Do tamanho de cada realidade

A mesma lógica. Tamanhos diferentes.

O volume de dados muda. As ferramentas mudam. O contexto muda. A travessia do sinal até a decisão continua a mesma.

Caderno aberto sobre o balcão de uma padaria, com marcas de contagem a lápis
Uma padariaA padaria que anota e compara já atravessa a cadeia. Não exige porte: começa no registro.
Canteiro de obras ao amanhecer, com vergalhões, fôrmas de madeira e um capacete apoiado
Uma obraNa operação física o sinal está no mundo: prazo, desperdício, parada. O desafio é registrar o que não nasce digital.
Sala de espera de um serviço público, com cadeiras vazias e senhas de papel no chão
Um serviço públicoFila, prazo, demanda, reincidência. O valor muda de definição — eficiência, transparência, serviço. A cadeia vale igual.
Uma plataforma digital

O dado já nasce digital e em escala. O desafio passa a ser governança, ativo e poder.

Uma família

Agenda, escola, saúde, dinheiro. A vida também produz sinais — e decisões melhores cabem em casa.

Uma padaria madura e um banco maduro não se parecem. Maturidade não é o tamanho da estrutura de dados. É a dose certa para a necessidade.

Cenários ilustrativos As imagens desta página foram criadas para ilustrar sinais do cotidiano. Não retratam os casos citados.

Sinal do mercado · Construção civil

O canteiro de obras começou a gerar dados.

Robôs da chinesa BrightMaster Robotics chegaram ao Brasil pelo Grupo Minas Brisa. Pintam, lixam, nivelam concreto, carregam até 420 kg e escaneiam a obra em 3D.

Antes de pintar ou nivelar, o robô precisa enxergar. Ele escaneia a obra, transforma a realidade em dado e só então a inteligência artificial decide o que fazer.

3D
escaneamento da obra em raio de até 400 m
420 kg
de material por viagem, no robô de logística
3 a 4
pessoas de trabalho equivalente por robô, segundo o Grupo Minas Brisa

Sinal → dado → decisão → ação. O robô escaneia, compara o que foi construído com o projeto, planeja a rota e executa. E cada tarefa gera novos dados: metros quadrados, tempo, material. O canteiro passa a ser medido enquanto é construído.

Leia a matéria completa →
Planta esquemática de um pavimento sendo escaneado Um scanner no centro da planta varre as paredes e registra pontos. Uma das paredes aparece deslocada em relação ao projeto, marcando um desvio. projeto executado desvio
Ilustração: o robô escaneia o pavimento, compara o executado com o projeto e aponta onde há diferença. Na teoria da Cultura Data-Driven, isso tem nome: gestão por desvio.

Filme manifesto

Algumas ideias precisam ser vistas.

Em produção

O manifesto Cultura Data-Driven.

A história será contada aqui.

Cultura Data-Driven · Edição nº 1

25 de setembro de 2026

Sinais do mercado

O canteiro de obras começou a gerar dados

Robôs chineses que pintam, lixam, nivelam concreto e escaneiam a obra chegaram ao Brasil. Para trabalhar, eles precisam de uma coisa antes de tudo: dados.

4 min de leitura →
  1. 02EvidênciasEmpresas orientadas por dados performam melhor?Seria incoerente pedir evidência a você e responder com opinião. Então fomos às pesquisas — e o que elas dizem é mais interessante do que “dados dão lucro”.
  2. 03Sinais da realidadeA tapioca que ninguém vendiaO cliente queria. A padaria podia fazer. O problema era que ninguém tinha apresentado os dois.
  3. 04FundamentosCultura Data-Driven sem complicaçãoNão é Power BI, não é IA e não é ter muito dado. É conseguir transformar realidade em consequência.
  4. 05DecisãoPare de decidir só no ‘eu acho’A experiência é valiosa demais para ser descartada — e perigosa demais para virar prova sem investigação.
  5. Todos os textos →

Enquanto você lia esta página,
sua empresa continuou produzindo sinais.

Quais deles você está
deixando passar?

Cultura Data-Driven by Gustavo Santos

Aprender a enxergar.
Aprender a perguntar.
Aprender a decidir.

Comece pela tapioca → Ler o blog