Domino's Pizza: 90% menos trabalho manual em previsão de fluxo de caixa com IA

"Reduzimos nosso esforco semanal de limpeza manual de dados em até 90%." Essa frase de Nancy Romain, Team Leader de Tesouraria da Domino's Pizza, resume o impacto de um projeto que transformou a previsão de caixa de uma das maiores redes de alimentacao do mundo. O caso rendeu a Domino's o Adam Smith Award 2024 do Treasury Today na categoria Melhor Solução de Previsão de Fluxo de Caixa -- o "Oscar" da tesouraria corporativa.

Vamos dissecar esse caso: o problema, a solução, os resultados é o que podemos replicar.

O contexto: a complexidade de tesouraria de uma rede global de franquias

A Domino's Pizza não é apenas uma rede de pizzarias. E uma operação financeira global com:

• Mais de 20.500 lojas em 90 mercados (dados de dezembro de 2023)
• Modelo predominantemente de franquia, o que significa fluxos financeiros complexos entre franqueados, master franqueados e a corporacao
• Múltiplas moedas, fusos horarios e regulamentacoes fiscais
• Royalties, taxas de marketing, compras de insumos e pagamentos de fornecedores fluindo em direcoes diferentes simultaneamente

Para a equipe de tesouraria, prever o fluxo de caixa nesse ambiente era um exercicio de frustacao:

• Dados dispersos: transações em dezenas de bancos, países e moedas
• Categorização manual: cada transação precisava ser classificada manualmente para fins de análise e previsão
• Limpeza de dados semanal: horas gastas corrigindo inconsistencias, duplicidades e erros de classificação
• Previsões imprecisas: com dados sujos e defasados, as projecoes de caixa tinham margem de erro significativa
• Visibilidade limitada: a equipe não tinha uma visão consolidada e atualizada dos fluxos de caixa por categoria

A solução: Cash Flow Intelligence do J.P. Morgan

A Domino's adotou o Cash Flow Intelligence, parte do suite Treasury Insights do J.P. Morgan. A plataforma usa IA para automatizar três funções críticas:

1. Agregacao automática de dados

Em vez de coletar dados de múltiplos sistemas e consolida-los manualmente, o Cash Flow Intelligence agrega automaticamente transações de todas as contas da Domino's no J.P. Morgan. Os dados fluem para a plataforma sem intervenção humana.

2. Categorização inteligente

A plataforma implementou 29 categorias específicas de transações para a Domino's, cobrindo royalties, taxas de marketing, compras de insumos, pagamentos de fornecedores, transferências intercompany e outras categorias operacionais.

A IA categoriza automaticamente cada transação na categoria correta, usando machine learning treinado nos padrões históricos da Domino's. Isso eliminou a necessidade de classificação manual -- uma das tarefas mais demoradas e propensas a erro.

3. Análise e reconciliação automatizada

Além de categorizar, a plataforma reconcilia automaticamente os dados, identifica inconsistencias e gera relatórios analíticos. A equipe de tesouraria recebe dados limpos e organizados, prontos para análise e previsão.

Os resultados em números

Vamos detalhar cada resultado.

Resultado 1: De horas para 30 minutos

O número mais citado do caso -- é o mais impactante. A equipe de tesouraria da Domino's gastava horas todas as semanas limpando dados de transações: corrigindo classificações erradas, removendo duplicidades, padronizando formatos. Com o Cash Flow Intelligence, esse esforco caiu para menos de 30 minutos.

Uma redução de 90% em trabalho manual não é incremental -- é transformacional. Na prática, isso significa que uma pessoa que gastava um dia inteiro por semana em limpeza de dados agora resolve tudo em meia hora. Os outros quatro dias e meio estão livres para:

• Analisar tendências de fluxo de caixa
• Refinar modelos de previsão
• Negociar com bancos
• Apoiar decisões estratégicas da diretoria

Resultado 2: 29 categorias que mudam o jogo

Parece trivial, mas a implementação de 29 categorias específicas de transação foi um dos maiores ganhos operacionais. Antes, as transações eram classificadas de forma genérica, o que impedia análises granulares.

Com 29 categorias, a Domino's passou a responder perguntas que antes eram impossíveis (ou exigiam horas de trabalho manual):

• "Quanto pagamos em royalties no mercado asiatico este mês vs. o anterior?"
• "Qual é a tendência de gastos com marketing nos últimos 6 meses?"
• "Como os pagamentos a fornecedores de insumos variaram sazonalmente?"

Essa granularidade é o que transforma dados brutos em inteligência acionavel. Não é apenas sobre saber quanto dinheiro entrou e saiu -- é sobre entender por que e para onde.

Resultado 3: "Health checks" diarios de caixa

Antes do Cash Flow Intelligence, a Domino's tinha visibilidade periodica sobre seus fluxos de caixa -- tipicamente semanal ou mensal. Com a plataforma, a equipe passou a fazer verificações diarias da "saúde" do caixa.

Esses health checks diarios permitem:

• Detectar anomalias rapidamente: uma transação incomum e identificada no dia, não na semana seguinte
• Ajustar previsões em tempo real: se os recebimentos de royalties de um mercado estão abaixo do esperado, a previsão e atualizada imediatamente
• Tomar decisões proativas: em vez de reagir a surpresas, a equipe antecipa problemas e oportunidades

Para uma operação em 90 mercados, a diferença entre visibilidade semanal e diaria pode significar milhões de dolares em otimização de liquidez.

Resultado 4: Previsões mais precisas

Com dados limpos, categorizados e atualizados diariamente, as previsões de fluxo de caixa da Domino's melhoraram significativamente. A plataforma permite incorporar projecoes históricas e tendências identificadas pela IA no modelo de previsão existente da empresa.

Na prática, previsões mais precisas significam:

• Menor necessidade de colchao de liquidez: se você confia na previsão, não precisa manter tanto caixa "de segurança"
• Melhor alocação de investimentos: dinheiro que antes ficava parado como reserva pode ser investido ou usado operacionalmente
• Decisões de financiamento mais informadas: saber quando o caixa vai ficar apertado com antecedencia permite negociar linhas de crédito em condições melhores
• Priorização de recursos: a empresa consegue direcionar investimentos e esforcos operacionais para as areas com maior retorno

A ferramenta: Cash Flow Intelligence em detalhe

O Cash Flow Intelligence e parte do suite Treasury Insights do J.P. Morgan, que inclui diversas ferramentas de análise de dados para clientes corporativos. Alguns pontos técnicos relevantes:

• Baseado em IA proprietaria: modelos de machine learning treinados em dados transacionais do J.P. Morgan
• Integrado ao banking: não é um sistema separado -- opera sobre os dados bancários que já fluem pelo J.P. Morgan
• Customizavel: as 29 categorias da Domino's foram configuradas especificamente para o negócio. Cada cliente pode definir suas proprias categorias
• Dashboard visual: paineis interativos que mostram tendências, comparativos e anomalias
• API disponível: dados podem ser exportados para sistemas internos de tesouraria e FP&A

O que podemos replicar

O caso Domino's e replicavel? Sim, com ressalvas:

O que você pode fazer mesmo sem J.P. Morgan:

• Definir categorias de transação específicas para seu negócio. A maioria das empresas classifica transações de forma genérica demais. Crie uma taxonomia que reflita suas linhas de negócio, canais de receita e categorias de despesa. Só isso já melhora a qualidade da análise.
• Automatizar a coleta de dados bancários. Open banking e APIs bancárias permitem importar transações automaticamente, eliminando a coleta manual. No Brasil, o ecosistema de open finance esta criando essa infraestrutura.
• Implementar "health checks" diarios. Não precisa de IA para isso. Um painel simples que consolide saldos e principais fluxos do dia já transforma a visibilidade da equipe de tesouraria.

O que exige tecnologia mais avancada:

• Categorização automática com machine learning. Treinar modelos de classificação requer volume de dados e expertise técnica. Plataformas como Nilus, Trovata e HighRadius oferecem isso como funcionalidade nativa.
• Previsão de caixa baseada em IA. Modelos preditivos que aprendem com dados históricos e se atualizam automaticamente são o próximo passo. Poucas empresas brasileiras já operam com esse nível de sofisticacao.

Ações práticas

1. Audite seu processo de limpeza de dados. Quanto tempo sua equipe gasta por semana corrigindo, classificando e reconciliando dados de transações? Se a resposta é "mais de 2 horas", você tem uma oportunidade de automação. O benchmark da Domino's e 30 minutos -- use isso como referência.
2. Crie uma taxonomia de transações específica para seu negócio. Não se contente com categorias genéricas como "receita", "despesa" e "transferência". Defina 15-30 categorias que reflitam a realidade do seu negócio -- por linha de produto, canal, regiao ou unidade de negócio. A Domino's usou 29.
3. Converse com seu banco sobre ferramentas de analytics. Bancos como J.P. Morgan, Citi, HSBC e BofA oferecem plataformas de inteligência de caixa para clientes corporativos. No Brasil, Itau, Bradesco e Santander estão desenvolvendo ferramentas similares. Pergunte ao seu gerente de relacionamento o que esta disponível.
4. Implemente um "health check" diario de caixa. Comece simples: um painel (pode ser no Excel ou Google Sheets) que mostre saldos bancários consolidados, principais entradas e saidas do dia, e variação vs. previsão. Faça a revisao toda manha em 15 minutos. Quando você tiver dados diarios consistentes, a transição para ferramentas de IA será natural.
5. Calcule o ROI da automação de previsão de caixa. Se sua equipe de 3 pessoas gasta 20% do tempo em coleta e limpeza de dados, isso é 0,6 FTE (equivalente a tempo integral). A um custo médio de R$ 15.000/mês por pessoa, são R$ 9.000/mês ou R$ 108.000/ano em trabalho manual que poderia ser automatizado. Compare com o custo de uma ferramenta de IA e apresente o business case ao CFO.