Análise de rentabilidade com IA: descubra quais clientes e produtos dão lucro

Há uma estatística que costuma incomodar quem trabalha com finanças: segundo a pesquisa dos professores de Harvard Robert Kaplan e V.G. Narayanan, os 20% de clientes mais rentáveis de uma empresa geram entre 150% e 300% do lucro total. O meio da carteira — 60% a 70% dos clientes — apenas empata. E os 10% a 20% menos rentáveis chegam a destruir de 50% a 200% do resultado.

Traduzindo: parte do seu faturamento não está pagando as próprias contas. Pior — em empresas de distribuição e indústria com centenas de contas, essa análise revela com frequência que 20% a 30% dos clientes dão prejuízo sem que ninguém soubesse. E, surpreendentemente, alguns dos maiores clientes (aqueles que negociam preço, exigem entregas urgentes e pagam tarde) costumam estar entre os mais deficitários.

O problema não é falta de dados. É falta de granularidade. E é exatamente aí que a inteligência artificial muda o jogo.

A "curva da baleia": por que o faturamento engana

Kaplan batizou de curva da baleia o gráfico que ordena os clientes do mais rentável para o menos rentável e acumula o lucro de cada um. O desenho sobe rápido, atinge um pico bem acima de 100% do lucro e depois desce — porque os últimos clientes consomem resultado em vez de gerar. A forma lembra o dorso de uma baleia saindo da água.

A lição é desconfortável: receita não é lucro. Um cliente pode comprar muito e ainda assim sair caro quando você soma tudo o que ele consome além do produto em si:

• Descontos comerciais e condições especiais de preço
• Prazo de pagamento dilatado (cada dia de DSO é capital de giro preso)
• Frete, entregas fracionadas e pedidos urgentes
• Devoluções, trocas e disputas
• Tempo de atendimento, suporte e renegociações
• Impostos específicos por operação, estado e tipo de produto

Para calcular rentabilidade de verdade, você precisa de três números por cliente (e por produto): a receita, o custo do que foi vendido (CMV) e o custo de servir — o famoso cost-to-serve. O primeiro está no faturamento. O segundo, mais ou menos, na contabilidade. O terceiro quase nunca está em lugar nenhum de forma estruturada. É ele que esconde os prejuízos.

Por que a planilha não dá conta

A análise de rentabilidade granular sempre existiu na teoria — chama-se custeio baseado em atividades (Activity-Based Costing, ou ABC). O motivo de tão poucas empresas fazerem bem é prático: alocar custos indiretos por cliente, produto, canal e região exige cruzar dezenas de fontes (ERP, fiscal, logística, CRM, banco) e milhares de linhas, manualmente, todo mês.

O resultado é que a maioria das equipes financeiras trabalha com margem média. E a média mente. Uma margem bruta saudável de 35% pode esconder produtos com 60% de margem subsidiando outros que operam no vermelho. Um relatório de rentabilidade por cliente costuma levar semanas para ficar pronto — quando fica — e chega tarde demais para mudar uma negociação ou rever um mix de produtos.

Como a IA muda o jogo na rentabilidade

A inteligência artificial não inventa um conceito novo — ela torna o ABC finalmente viável em escala. Veja onde ela atua:

1. Alocação inteligente de custos. Modelos de machine learning aprendem como os custos indiretos realmente se comportam e os distribuem por cliente, produto e operação com precisão muito maior do que rateios fixos. Estudos sobre ABC com IA mostram ganhos consistentes na exatidão da alocação e na automação de processos que antes eram 100% manuais.

2. Custo de servir automatizado. Cruzando logística, atendimento, prazos de pagamento e devoluções, a IA estima quanto cada relacionamento custa de verdade — incluindo o capital de giro imobilizado por clientes que pagam tarde.

3. Granularidade que a média esconde. Em vez de margem por linha de produto, a IA calcula rentabilidade por SKU, pedido e cliente individual, revelando o subsídio cruzado invisível na média.

4. Cenários e recomendações. Com a base estruturada, modelos simulam o impacto de reajustar preço de um cliente, cortar um produto deficitário ou mudar a política de prazo — e apontam onde a margem está vazando antes de você perguntar.

5. Consulta em linguagem natural. Em vez de esperar o relatório, o gestor pergunta "quais clientes do Sudeste tiveram margem negativa no trimestre?" e recebe a resposta na hora.

Resultados reais: o que as empresas estão alcançando

Os números mais robustos vêm da McKinsey. Ao aplicar IA generativa à otimização de portfólio de produtos — identificando complexidade e custos ocultos em itens de baixo desempenho —, a consultoria reporta ganhos de 6 a 10 pontos percentuais de margem ou um aumento de 2% a 5% na receita. Não é arredondamento de planilha; é a diferença entre um ano bom e um ano medíocre.

No varejo, um caso europeu mostra a mesma lógica aplicada a produtos: um varejista usou software de racionalização de SKUs com IA para identificar itens de baixo giro e ajustar o mix à demanda real, melhorando a margem em até €30 milhões — com resultado relevante em 90 dias. Estudos do setor apontam que a otimização de portfólio com IA tende a elevar as vendas em 2% a 4% ao eliminar o que só ocupa espaço e consome capital.

A mecânica é sempre a mesma: a IA encontra o que a média escondia. Um produto que parecia rentável, mas exige logística cara. Um cliente grande que, descontados prazo e devoluções, opera no vermelho. Uma família de SKUs que poderia ser cortada sem perda de receita relevante. McKinsey também relata um caso em que a IA categorizou custos em mais de 400 subcategorias, revelando uma oportunidade de redução de despesas na casa dos 10% — algo impensável com classificação manual.

A rentabilidade não é o fim da história

Um alerta importante: descobrir que um cliente ou produto dá prejuízo não significa demiti-lo no dia seguinte. A análise é o começo da conversa, não o fim.

Um cliente deficitário pode ser estratégico — abre porta para um setor, dá volume que dilui custo fixo ou tem potencial de crescimento. Um produto de margem baixa pode ser a isca que traz o carrinho cheio. O papel da IA é mostrar a realidade com clareza para que a decisão seja consciente: renegociar preço e prazo, reduzir o custo de servir, mudar o mix ou, sim, encerrar a relação.

E vale a regra de ouro de qualquer projeto de IA em finanças: o modelo é tão bom quanto os dados que recebe. Se o ERP não amarra custos de frete ao pedido, ou se o fiscal vive em outro sistema, a IA vai calcular rentabilidade sobre uma base furada. Antes de investir na ferramenta, vale investir na qualidade e na integração dos dados.

Próximos Passos

1. Comece pela curva da baleia. Mesmo de forma simples, ordene seus clientes (ou produtos) por lucro acumulado, incluindo uma estimativa de custo de servir. Só de ver a forma do gráfico, você já saberá o tamanho do problema.
2. Mapeie suas fontes de custo de servir. Liste onde moram os dados de frete, prazo de pagamento, devoluções e atendimento. A integração dessas fontes é o pré-requisito para qualquer análise séria.
3. Faça um piloto em uma dimensão. Escolha uma linha de produtos ou um segmento de clientes e rode a análise granular com IA antes de expandir. Resultado rápido gera patrocínio interno.
4. Defina o que fazer com o resultado. Crie um protocolo: cliente deficitário entra em renegociação de preço/prazo; produto deficitário vai para revisão de mix. Análise sem ação não muda margem.
5. Conecte à rotina de FP&A. Rentabilidade não é projeto pontual. Transforme em indicador contínuo, revisado a cada fechamento, para que decisões de preço e portfólio passem a ser guiadas por dados.

A pergunta que abre esta edição vale como bússola: você sabe quais 20% dos seus clientes pagam a conta de todos os outros? Se a resposta for "não com certeza", esse é provavelmente o projeto de IA com maior retorno escondido na sua operação.

Fontes:

• McKinsey — Supercharging product portfolio performance with generative AI
• Margin Levers — Whale Curve Methodology (pesquisa Kaplan & Narayanan)
• Lake Ridge Bank — Customer Profitability: Beyond the 80-20 Rule with the Whale Curve
• Throughput — Case Study: SKU Rationalization Boosts Profits for European Retailer
• Journal of Computer, Signal, and System Research — Leveraging Advanced AI in Activity-Based Costing (ABC)
• IBM — AI in financial planning and analysis (FP&A)