Qualidade de indicadores em seguros – Parte 2

9 Dezembro, 2018 Por Jessica

Como avaliar a qualidade de uma previsão ou indicador de tendência?

O que já vimos e o que veremos hoje

No post anterior mostrei que no geral matérias sobre Economia trazem informações dos seguintes tipos:

  • Análise descritiva: traz uma fotografia do passado, por meio de tabelas, gráficos, painéis etc.
  • Tendências e Previsões: traz indicadores para mensurar tendências futuras e com isso construir previsões.
  • Relações e Causalidade: demonstra como uma coisa se relaciona com outra e busca identificar se uma coisa causa a outra.

Começamos por Análise descritiva; hoje avançaremos para Tendências e Previsões.

No último post desse tópico falarei Relações e Causalidade, um ponto extremamente importante e que gera grandes confusões nas matérias jornalísticas, principalmente quando o assunto é Economia 🙂

Estudo de Caso: Previsão de crescimento no Grupo Porto Seguro

No nosso estudo de caso, o exercício consiste em imaginar que uma nova seguradora concorrente quer analisar como está indo o Grupo Porto Seguro. Depois de encontrar matérias descritivas (que ilustramos no Parte 1 deste tópico), vasculhou um pouco mais o nosso amigo Google e encontrou uma entrevista sobre previsões e tendências do Grupo em questão.

(Lembrando que é apenas uma ilustração! Se por um acaso houver de fato uma entrevista deste tipo no Google, não estou me referindo a ela. Tanto a “matéria” quanto o “entrevistado” são imaginários aqui rsrsrs!)

O entrevistado imaginário estima que o Grupo crescerá 3567147.777 ao mês, em torno de 42805773.326 no acumulado de 12 meses.

Esta previsão é confiável? Nosso executivo imaginário deve ou não considerar esse número para elaboração do plano estratégico de sua seguradora?

As previsões acima foram criadas com base em um modelo linear com base na produção das seguradoras do Grupo Porto Seguro dos últimos anos. “Isso parece bom, afinal, são milhares de dados desde 1995!”.

Não necessariamente.

É necessário alguns cuidados quando o assunto é previsão. Quanto mais dados, melhor. Mas é importante que o modelo utilizado tenha variáveis de controle adequadas. Nosso executivo imaginário não precisa saber fazer modelos de previsão, mas é importante que saiba filtrar modelos melhores e piores de acordo com critérios de interpretação.

As estimativas de crescimento acima são baseadas na reta abaixo. É bastante evidente que, ao considerarmos as seguradoras do grupo todas juntas, o ajuste do modelo é ruim. Há muita variabilidade entre os dados das diferentes companhias. Ainda que façam parte de um mesmo grupo econômico, não faz sentido observá-las como se fossem uma única empresa.

Verificando isso, nosso executivo imaginário prefere descartar essa previsão pois usá-la poderá levar a erros.

Procurando mais um pouco, ele encontra outras previsões, desta vez para cada seguradora do Grupo Porto individualmente.

Quando perguntado sobre o crescimento de cada seguradora do Grupo separadamente, esta segunda matéria jornalística estima crescimento de 18731559.175 para PORTO SEGURO CIA DE SEGUROS GERAIS, 1491953.696 para PORTO SEGURO VIDA E PREVIDÊNCIA S/A., 10885020.104 para AZUL COMPANHIA DE SEGUROS GERAIS e -19472355.822 para ITAU SEGUROS DE AUTO E RESIDÊNCIA nos próximos 12 meses.

O simples fato de separar a análise por companhia individual já melhora muito o ajuste do modelo de previsão. Veja que no painel abaixo, as retas estão muito melhor ajustadas aos dados de cada seguradora, diminuindo os erros (resíduos) deste modelo.

Vale ressaltar que estamos fazendo um exercício ilustrativo! Se fossemos de fato usar esses números, precisaríamos de alguns cuidados adicionais, como tratar a queda estrutural que vemos no caso da ITAU SEGUROS DE AUTO E RESIDÊNCIA e o outlier no canto superior da PORTO SEGURO VIDA E PREVIDÊNCIA S/A..

E se o crescimento do grupo estiver sujeito a concorrência entre suas próprias companhias?

Nosso executivo está mais satisfeito, pois estas previsões parecem bem melhores que as anteriores. Porém, ainda tem dúvidas se são precisas o suficiente e decide procurar outras previsões alternativas.

Ele se depara com uma matéria na qual uma consultoria econômica imaginária traz outras previsões. Nessa matéria a consultoria imaginária explica que seu modelo de previsão observa como as 3 seguradoras de seguros não-de-pessoais interagem. A ideia é que, apesar de fazerem parte do mesmo Grupo, existe concorrência entre elas: no limite, um cliente escolherá entre uma ou outra. Por conta disso, é necessário um modelo interativo que capte essa interação.

Para esta modelagem mais “fina”, as previsões são de .

O que esses números dizem está ilustrado no painel abaixo.

E o restante do mercado, não influencia também?

Lendo a última matéria imaginária, nosso executivo se questiona: “Se a interação de concorrência entre as seguradoras dentro do Grupo afeta o crescimento de cada uma, a interação com o mercado como um todo também afetará cada uma delas e o Grupo”. E lá vai ele buscar uma matéria melhor e, provavelmente, encontrar o Data Insurance (Tenho que vender nosso jabá, né!?).

Quando parar de buscar?

O custo-benefício de informações precisas

É evidente que se continuar nessa toada, nosso executivo imaginário vai passar a vida inteira buscando modelos de previsão mais adequados, até perceber que ele próprio tem que se tornar um econometrista e desenvolver seus próprios modelos se quiser controlar todas as variáveis que considera pertinente.

Isso é inviável.

O foco de executivos e alto gerência está na tomada de decisão. A qualidade das informações é meio e não um fim. Por isso a decisão sobre quais informações usar e quando parar de buscar informações deve ser feita a partir de uma ótica de custo-benefício e, certamente, risco.

O escopo do projeto exige informações meramente preliminares sobre tendências gerais de crescimento? Ok! A matéria 2 já sinalizaria informações interessantes.

Ou… o escopo do projeto exige informações altamente precisas com baixa margem de erro? A matéria 3 é um bom começo, mas vale a pena considerar a contratação de consultoria especializada para lhe poupar do trabalho de levantar e validar essas informações.

O que não poderia ocorrer em nenhum dos cenários é usar a informação da matéria 1. E este é o ponto principal do nosso post: mais do que encontrar previsões perfeitas, importa descartar aquelas que sem dúvida alguma estão incorretas.

Ùltimo passo!

No próximo post avançaremos para a terceira e última parte deste bloco. Avançaremos no estudo de caso do Grupo Porto Seguro para analisar os cuidados com relação a indicadores de Relação e Causalidade de variáveis. Esse assunto aparece MUITO em jornais, revistas, projetos de forma imprecisa. Leia e cresça conosco! 😀