O vocabulário dos modelos, sem tradução simultânea.
Boa parte das reuniões sobre Machine Learning trava no vocabulário: quem constrói o modelo usa um conjunto de palavras, quem decide usa outro. Este glossário é a ponte — cada termo em uma frase que se sustenta sozinha, e um parágrafo dizendo o que ele muda na prática.
Previsão e séries temporais
- Série temporal
Série temporal é uma sequência de observações da mesma variável ao longo do tempo, em que a ordem carrega informação — o valor de hoje depende do que veio antes.
É o formato de quase todo dado de gestão: venda por mês, saldo por dia, inadimplência por safra. O que a distingue de uma tabela comum é que embaralhar as linhas destrói o que se quer aprender.
Veja tambémSazonalidadeHorizonte de previsãoBacktestOnde isto aparecePrevisão e Simulação
- Sazonalidade
Sazonalidade é o padrão que se repete em intervalos regulares dentro de uma série temporal — por semana, por mês ou por ano.
No Brasil ela raramente é uma só: o varejo tem Natal e Dia das Mães, o agro tem safra e entressafra, e a folha tem décimo terceiro. Um modelo que trata dezembro como um mês qualquer erra o mês que mais importa.
Veja tambémSérie temporalConjunturaOnde isto aparecePrevisão e Simulação
- Horizonte de previsão
Horizonte de previsão é a distância no tempo que a projeção alcança, contada a partir de hoje.
Quanto mais longo o horizonte, mais larga a incerteza — e é por isso que uma projeção honesta não devolve um número só. O horizonte útil é o que dá tempo de agir: prever ruptura para depois de amanhã não ajuda quem tem quinze dias de lead time.
Veja tambémIntervalo de previsãoQuantil (p10, p50, p90)Onde isto aparecePrevisão e Simulação
- Quantil (p10, p50, p90)
Quantil é o valor abaixo do qual cai uma porcentagem definida dos resultados possíveis — o p50 é a mediana, e o p90 é o valor que só é superado em 10% dos cenários.
É o vocabulário que substitui "a previsão é 1.200". Planejar estoque pelo p50 aceita ruptura em metade dos cenários; planejar pelo p90 compra serviço pagando capital parado. A escolha entre os dois é decisão de negócio, não de modelo.
Veja tambémIntervalo de previsãoNível de serviçoOnde isto aparecePrevisão e SimulaçãoOtimização de Decisão
- Intervalo de previsão
Intervalo de previsão é a faixa entre dois quantis dentro da qual o resultado futuro deve cair, com a probabilidade declarada.
Não se confunde com intervalo de confiança, que fala da incerteza sobre um parâmetro estimado; o de previsão fala da incerteza sobre um valor que ainda vai acontecer, e por isso é sempre mais largo.
Veja tambémQuantil (p10, p50, p90)Horizonte de previsãoOnde isto aparecePrevisão e Simulação
- Cenário
Cenário é uma projeção calculada sob um conjunto explícito de premissas — câmbio a determinado patamar, Selic em determinada trajetória, demanda em determinado ritmo.
A diferença entre simular cenários e chutar é que o cenário declara as premissas antes e recalcula tudo o que depende delas. É o que permite a uma diretoria discutir a premissa, e não o número.
Veja tambémConjunturaQuantil (p10, p50, p90)Onde isto aparecePrevisão e Simulação
- Conjuntura
Conjuntura é o conjunto de condições macroeconômicas vigentes — juros, câmbio, inflação, emprego, crédito — que afeta o comportamento de quem compra, vende e paga.
É a variável que modelos importados costumam ignorar e que, no Brasil, muda o resultado: uma alta de Selic muda inadimplência, uma alta de câmbio muda custo de insumo, e nenhuma das duas aparece no histórico de vendas da empresa.
Veja tambémCenárioDriftOnde isto aparecePrevisão e SimulaçãoRisco de Crédito
Como se avalia um modelo
- Backtest
Backtest é a avaliação de um modelo sobre o passado, escondendo dele o que veio depois de cada ponto de corte, para medir como ele teria acertado se estivesse no ar.
É a única prova de desempenho que existe antes da produção. Um backtest que usa informação posterior ao ponto de corte — preço final, resultado da safra — devolve acerto que nunca se repete no ar.
Veja tambémSobreajusteMAPEWAPEOnde isto aparecePrevisão e SimulaçãoRisco de Crédito
- MAPE
MAPE é o erro percentual absoluto médio: a média de quanto a projeção se afastou do realizado, em porcentagem do realizado.
É a métrica mais citada em previsão de demanda porque é lida sem treino — "erramos 8%". O limite dela aparece em item de giro baixo: quando o realizado é próximo de zero, o percentual explode, e por isso ela costuma vir acompanhada de outra medida.
Veja tambémBacktestWAPEOnde isto aparecePrevisão e Simulação
- WAPE
WAPE é o erro absoluto total dividido pelo volume total, o que faz cada item pesar na conta o quanto ele pesa no negócio.
É a métrica que responde à pergunta que a diretoria de fato faz: quanto do volume total a empresa errou. Ao contrário do MAPE, ela não é distorcida por itens de baixo giro.
Veja tambémMAPEBacktestOnde isto aparecePrevisão e Simulação
- Sobreajuste
Sobreajuste é quando o modelo aprende o ruído dos dados de treino em vez do padrão, e por isso acerta o histórico e erra o futuro.
É o defeito que mais se disfarça de sucesso: quanto mais complexo o modelo, melhor a métrica no treino e pior o comportamento em produção. Só backtest e validação honestos o revelam antes do cliente.
- Drift
Drift é a mudança, ao longo do tempo, no comportamento dos dados ou na relação entre eles — o que faz um modelo perder desempenho sem que nada tenha quebrado.
É o motivo pelo qual modelo em produção precisa de monitoramento, e não só de entrega. No Brasil ele costuma vir de fora do negócio: mudança de juros, de tributação ou de hábito de consumo desloca a distribuição que o modelo aprendeu.
Veja tambémConjunturaMLOpsOnde isto aparecePrevisão e SimulaçãoRisco de Crédito
- KS e AUC
KS e AUC são duas medidas de poder de separação de um modelo de classificação — o quanto ele consegue distinguir quem vai pagar de quem não vai.
São o par que abre toda apresentação de modelo de crédito no Brasil. Nenhuma das duas diz se o ponto de corte escolhido é bom para o negócio: isso depende do custo de aprovar quem não paga e do custo de recusar quem pagaria.
Veja tambémPonto de corteScore de créditoOnde isto apareceRisco de Crédito
Da previsão à decisão
- Otimização sob restrição
Otimização sob restrição é a busca do melhor valor possível de um objetivo — margem, receita, custo — sem violar os limites que a operação impõe.
É a diferença entre saber o que vai acontecer e saber o que fazer. As restrições não são detalhe: capacidade fabril, política comercial, limite de capital e piso de margem são o que separa a recomendação executável da recomendação bonita.
Veja tambémElasticidade-preçoPolítica de estoqueNível de serviçoOnde isto apareceOtimização de Decisão
- Elasticidade-preço
Elasticidade-preço é a medida de quanto a quantidade vendida varia quando o preço varia — em porcentagem de volume por porcentagem de preço.
Medir a elasticidade e arbitrá-la são coisas diferentes, e a segunda é a prática comum. Ela quase nunca é a mesma entre canais, regiões e momentos do mês, e é justamente onde ela difere que está o ganho de margem.
Veja tambémOtimização sob restriçãoPróxima melhor açãoOnde isto apareceOtimização de Decisão
- Política de estoque
Política de estoque é a regra que decide quando repor e quanto repor de cada item, dado o custo de faltar e o custo de sobrar.
Ela é a ponte entre a previsão e a operação: sem previsão de incerteza, a política vira estoque de segurança arbitrado em semanas de cobertura, que é caro no item errado e insuficiente no item certo.
Veja tambémNível de serviçoQuantil (p10, p50, p90)Otimização sob restriçãoOnde isto apareceOtimização de Decisão
- Nível de serviço
Nível de serviço é a probabilidade, escolhida pela empresa, de atender à demanda sem ruptura dentro de um ciclo de reposição.
É um número que a empresa decide, não que o modelo descobre — e cada ponto percentual a mais custa capital imobilizado. Explicitá-lo transforma uma discussão de opinião em uma conta.
Veja tambémPolítica de estoqueQuantil (p10, p50, p90)Onde isto apareceOtimização de Decisão
- Próxima melhor ação
Próxima melhor ação é a recomendação, cliente a cliente, da oferta ou abordagem com maior retorno esperado no momento em que a decisão é tomada.
O que a torna útil não é o ranking de propensão, e sim o que entra depois dele: margem do produto, disponibilidade em estoque e limite da política comercial. Sem isso ela recomenda com entusiasmo o que a empresa não quer vender.
Veja tambémElasticidade-preçoClusterizaçãoOnde isto apareceOtimização de Decisão
- Clusterização
Clusterização é o agrupamento automático de registros parecidos entre si, sem que os grupos tenham sido definidos antes.
É método, não produto: serve à segmentação de carteira, à política de preço por grupo e ao desenho de campanha. Um agrupamento que ninguém consegue nomear em uma frase raramente vira decisão.
Veja tambémPróxima melhor açãoOnde isto apareceOtimização de Decisão
Crédito e risco
- Score de crédito
Score de crédito é a nota que resume, em um número, a probabilidade estimada de que um cliente não honre o compromisso dentro de um prazo definido.
Score sem prazo e sem definição de inadimplência não quer dizer nada: "risco de atraso acima de 90 dias em 12 meses" é uma pergunta; "risco alto" não é.
Veja tambémOriginaçãoInadimplênciaKS e AUCOnde isto apareceRisco de Crédito
- Originação
Originação é a etapa de concessão do crédito, em que a decisão é tomada sobre alguém que ainda não tem histórico com a empresa.
É a etapa com menos informação própria e mais impacto na carteira. Quando não há histórico interno, o modelo parte de bureau, dados cadastrais e mercado — histórico próprio não é pré-requisito para começar.
Veja tambémScore de créditoSafraPonto de corteOnde isto apareceRisco de Crédito
- Inadimplência
Inadimplência é o descumprimento do pagamento acordado, medido sempre com um prazo explícito de atraso e uma janela de observação.
A definição muda o modelo inteiro: 30, 60 ou 90 dias de atraso produzem carteiras de comportamento diferente. Fixá-la antes de modelar é o que impede a métrica de ser renegociada depois do resultado.
Veja tambémSafraScore de créditoConjunturaOnde isto apareceRisco de Crédito
- Safra
Safra é o conjunto de contratos originados no mesmo período, acompanhado ao longo do tempo para comparar o comportamento de cada geração da carteira.
É a leitura que separa piora de política de piora de conjuntura: se todas as safras degradam ao mesmo tempo, o problema é o ambiente; se só as recentes degradam, o problema é a régua de concessão.
Veja tambémInadimplênciaOriginaçãoBacktestOnde isto apareceRisco de Crédito
- Ponto de corte
Ponto de corte é o valor do score a partir do qual a proposta é aprovada, e abaixo do qual é recusada ou encaminhada para análise.
É onde a estatística vira política de crédito. Mover o corte não melhora o modelo: troca receita por perda, numa taxa que só a matriz de confusão e a margem do produto revelam.
Veja tambémKS e AUCScore de créditoOnde isto apareceRisco de Crédito
Agentes, LLMs e explicabilidade
- XAI (explicabilidade)
XAI é o conjunto de técnicas que torna auditável o motivo de cada resultado de um modelo, mostrando quais fatores o empurraram para cima ou para baixo.
Num comitê de crédito ou numa diretoria, um modelo que não se explica não é aprovado — e, quando é, não é seguido. Explicabilidade é requisito de adoção antes de ser requisito técnico.
Veja tambémSHAPLLMOnde isto apareceRisco de CréditoAgente de Data Analytics
- SHAP
SHAP é uma técnica de explicabilidade que reparte o resultado de uma previsão entre as variáveis que a produziram, atribuindo a cada uma a sua contribuição.
A leitura é local: explica aquela decisão, para aquele cliente, e não a média da carteira. É o que permite responder "por que este pedido foi recusado" sem recorrer a analogia.
Veja tambémXAI (explicabilidade)Onde isto apareceRisco de Crédito
- LLM
LLM é um modelo de linguagem de grande porte, treinado para produzir texto — capaz de escrever e interpretar linguagem natural, mas sem conhecimento próprio do seu negócio.
É por isso que um LLM genérico responde bem sobre o mundo e mal sobre a empresa: ele não sabe o que é margem aqui, qual meta vale este trimestre nem o que é normal para esta unidade.
Veja tambémRAGAgente de IAAlucinaçãoOnde isto apareceAgente de Data Analytics
- RAG
RAG é a técnica de buscar informação em uma base própria e entregá-la ao modelo de linguagem no momento da pergunta, para que a resposta se apoie em dado verificável.
É o que separa "o modelo respondeu" de "o modelo respondeu com os seus números". Uma resposta por RAG pode citar a origem, e uma resposta citável é uma resposta conferível.
Veja tambémLLMAlucinaçãoAgente de IAOnde isto apareceAgente de Data Analytics
- Alucinação
Alucinação é a resposta que um modelo de linguagem produz com aparência de correta e sem sustentação nos dados — plausível na forma, falsa no conteúdo.
O risco cresce exatamente onde o custo é maior: número específico, data e nome próprio. É o motivo pelo qual toda afirmação que vira decisão precisa vir com a origem ao lado.
Veja tambémRAGLLMXAI (explicabilidade)Onde isto apareceAgente de Data Analytics
- Agente de IA
Agente de IA é um programa que usa um modelo de linguagem para executar uma sequência de passos com uma ferramenta — consultar, calcular, comparar — em vez de apenas devolver texto.
Na prática de modelagem, é o que permite automatizar o trabalho repetitivo do ciclo — preparar dado, testar variante, monitorar desempenho — sem tirar do especialista a decisão de desenho.
Veja tambémLLMRAGMLOpsOnde isto apareceAgente de Data Analytics
Dados, operação e conformidade
- ETL
ETL é o processo de extrair dados de onde eles vivem, transformá-los num formato utilizável e carregá-los onde o modelo vai lê-los.
É a etapa que consome a maior parte do prazo de um projeto de ML e a que mais atrasa cronograma. Dado bruto de ERP raramente está pronto — e é por isso que "os meus dados não estão prontos" quase nunca é motivo para não começar.
Veja tambémFeature storeMLOps
- Feature store
Feature store é o repositório onde as variáveis já calculadas ficam guardadas e versionadas, para que treino e produção usem exatamente a mesma definição.
Resolve o defeito mais caro e mais silencioso de ML corporativo: a variável calculada de um jeito no treino e de outro no ar. O modelo não quebra — só passa a errar.
- MLOps
MLOps é a disciplina que mantém modelos em produção: versionamento, publicação, monitoramento de desempenho e retreinamento quando os dados mudam.
É a diferença entre um modelo entregue e um modelo que continua valendo daqui a um ano. Sem monitoramento, o drift chega antes de qualquer alerta.
Veja tambémDriftFeature storeAgente de IA
- On-premise
On-premise é a execução de um sistema dentro da infraestrutura do próprio cliente — servidor, nuvem privada ou data center —, sob a rede e as regras dele.
Na Quantka, on-premise é a entrega do **modelo** pronto para executar no perímetro do cliente, com explicabilidade documentada e transferência de conhecimento; a plataforma, com as quatro soluções por inteiro, é SaaS.
Veja tambémLGPD
- LGPD
LGPD é a Lei Geral de Proteção de Dados brasileira, que define quem pode tratar dado pessoal, com que finalidade declarada e por quanto tempo.
Para um projeto de modelo, ela aparece em três lugares concretos: a base legal do tratamento, o prazo de retenção e o direito de a pessoa entender uma decisão automatizada — que é onde a LGPD e a explicabilidade se encontram.
Veja tambémOn-premiseXAI (explicabilidade)
Dê o próximo passo do seu negócio
Toda jornada Quantka começa com um diagnóstico objetivo: identificamos a decisão do seu negócio que mais perde valor por falta de previsão — e mostramos, com os seus dados, o que a plataforma é capaz de entregar.