Análise prescritiva: como transformar dados e previsões em decisões nos bancos

Análise prescritiva é a etapa da análise de dados que responde à pergunta "o que deve ser feito?", combinando previsões, regras de negócio e técnicas de otimização para recomendar a ação com melhor resultado esperado dentro das restrições da instituição.

A análise prescritiva fecha uma lacuna comum nas instituições financeiras: muitas já sabem o que aconteceu e o que deve acontecer, mas ainda decidem a ação seguinte com base em critérios fixos ou na experiência de cada área.

O uso de inteligência artificial no sistema financeiro, no entanto, ainda avança de forma desigual: segundo o Relatório de Estabilidade Financeira do Banco Central de outubro de 2025, 26,7% das 606 instituições pesquisadas empregavam modelos de IA em suas soluções de tecnologia, com adoção ampla nos bancos dos segmentos S1 e S2.

Entre as instituições que já usam IA, a mesma pesquisa do BC mostra que 42,6% aplicam algoritmos de busca e otimização, a família de técnicas que sustenta a análise prescritiva, e que 72,2% citam a melhoria na tomada de decisões como benefício observado.

O investimento acompanha esse movimento: na Pesquisa Febraban de Tecnologia Bancária 2026, realizada pela Deloitte, o orçamento dos bancos para inteligência artificial, analytics e big data passa de R$ 2,76 bilhões em 2025 para R$ 2,97 bilhões em 2026.

A decisão automatizada também ganhou peso nas projeções de mercado: a Gartner prevê, em comunicado de 17 de junho de 2025, que até 2027 metade das decisões de negócio será aumentada ou automatizada por agentes de IA voltados à inteligência de decisão.

Com mais decisões apoiadas por modelos, cresce também a exigência de explicar cada uma delas ao cliente e ao regulador, como prevê a Lei Geral de Proteção de Dados. Por isso, entender o que é análise prescritiva, como ela funciona e onde se aplica ajuda a instituição a decidir melhor sem perder controle sobre o processo.

O que é análise prescritiva?

Análise prescritiva é a forma de análise avançada que examina dados e previsões para indicar a melhor ação a tomar, usando técnicas como otimização, simulação, regras de decisão, motores de recomendação e aprendizado de máquina para comparar alternativas.

A definição de referência vem do glossário da Gartner, que descreve a análise prescritiva como a que responde "o que deve ser feito?" ou "o que podemos fazer para que algo aconteça?". O mesmo glossário lista técnicas como análise de grafos, simulação, redes neurais, motores de recomendação, heurísticas e machine learning.

A base matemática dessa abordagem vem da pesquisa operacional: segundo o INFORMS, instituto internacional de pesquisa operacional, a análise prescritiva apoia a tomada de decisão ao fornecer "conselhos acionáveis", com recurso a simulação, otimização, probabilidade e estatística.

Na literatura acadêmica, a revisão de Lepenioti e coautores (2020), publicada no International Journal of Information Management, trata a análise prescritiva como o passo seguinte no aumento da maturidade analítica, voltado a encontrar o melhor curso de ação para o futuro.

Técnicas que sustentam a análise prescritiva

As técnicas prescritivas combinam três elementos: uma previsão sobre o que pode acontecer, um objetivo a maximizar ou minimizar e um conjunto de restrições que limitam as escolhas. A otimização matemática encontra a melhor combinação dentro dessas restrições, enquanto a simulação testa cenários antes de agir.

O trabalho de Bertsimas e Kallus, publicado em 2020 na Management Science com o título "From Predictive to Prescriptive Analytics", combina aprendizado de máquina e pesquisa operacional para usar dados na prescrição de decisões ótimas. Já os motores de regras traduzem a política da instituição em critérios explícitos e auditáveis.

Em decisões repetidas ao longo do tempo, como limites de crédito e cobrança, modelos de decisão sequencial avaliam o efeito de cada ação nas etapas seguintes. Assim, a análise prescritiva não substitui a preditiva, e sim a usa como insumo para chegar a uma recomendação.

Qual a diferença entre análise descritiva, diagnóstica, preditiva e prescritiva?

As análises descritiva, diagnóstica, preditiva e prescritiva se diferenciam pela pergunta que respondem: o que aconteceu, por que aconteceu, o que deve acontecer e o que deve ser feito, nessa ordem de complexidade e de proximidade com a decisão.

A Gartner define a análise descritiva como a que responde "o que aconteceu?", em geral com ferramentas tradicionais de business intelligence, e a análise diagnóstica como a que investiga "por que aconteceu?", com técnicas de detalhamento, mineração de dados e correlações.

Os quatro tipos de análise de dados se diferenciam pela pergunta, pelas técnicas mais comuns e pelo tipo de resultado que entregam a um banco.

Na operação, a diferença que mais pesa é entre preditiva e prescritiva: a preditiva informa a probabilidade de um evento, como a inadimplência, enquanto a prescritiva usa essa probabilidade para escolher uma ação, como reduzir o limite, oferecer renegociação ou manter a condição atual.

Nem todas as referências, porém, usam quatro níveis: o INFORMS trabalha com três tipos, descritiva, preditiva e prescritiva, sem separar a diagnóstica. Em qualquer classificação, a prescritiva ocupa o último degrau, por estar mais próxima da decisão.

Como funciona a análise prescritiva?

A análise prescritiva funciona em três tempos: reúne dados e previsões sobre o problema, aplica um modelo de decisão com objetivo e restrições definidos pela instituição e devolve uma recomendação que é executada, medida e usada para ajustar o modelo.

No primeiro tempo, a instituição organiza os dados internos e externos e gera as previsões necessárias, como risco, propensão de compra ou fluxo de caixa, e a qualidade desse insumo limita a qualidade da recomendação.

No segundo tempo, o modelo de decisão traduz a estratégia em números: o objetivo, como maximizar a margem ajustada ao risco, e as restrições, como apetite a risco, capital disponível e regras regulatórias. A otimização ou a simulação compara as alternativas e indica a que melhor atende a esse conjunto.

No terceiro tempo, a recomendação vira ação e o resultado volta ao modelo. A Gartner descreve essa lógica no conceito de inteligência de decisão, disciplina que melhora a tomada de decisão ao entender como as decisões são feitas e como os resultados são avaliados e aprimorados por meio de retroalimentação.

Como a análise prescritiva pode transformar a tomada de decisão em bancos e instituições financeiras?

A análise prescritiva pode transformar a tomada de decisão em bancos de três formas: indica a ação para cada cliente em vez de apenas prever o risco, otimiza recursos escassos como capital, liquidez e equipe de cobrança dentro das restrições regulatórias e torna as decisões consistentes e auditáveis em grande escala.

Na primeira frente, a instituição deixa de aplicar uma régua única a todos os clientes de um mesmo risco e passa a escolher limite, taxa, oferta ou abordagem conforme o resultado esperado de cada combinação. A previsão continua necessária, mas a decisão passa a considerar também o valor e o custo de cada ação.

Na segunda frente, a análise prescritiva distribui recursos limitados onde eles geram mais resultado, como o capital alocado em cada carteira ou o esforço de cobrança dedicado a cada faixa de atraso. Já a terceira frente transforma a política de crédito e de risco em regras explícitas, executadas da mesma forma em milhões de decisões e registradas para auditoria.

O FinXperience, família da Topaz One para experiência e relacionamento, aplica essa lógica com um motor de decisão ajustável, em que cada instituição configura suas regras de negócio e fluxos com autonomia, e um motor de recomendação que orienta produtos, serviços e mensagens com base em dados comportamentais e transacionais em tempo real.

Cada decisão bancária suscetível à análise prescritiva corresponde a uma pergunta de negócio e a um conjunto mínimo de dados para respondê-la.

Uma instituição que já tem bons modelos preditivos, mas mantém decisões manuais sobre o que fazer com eles, captura apenas parte do valor dos próprios dados, porque a decisão continua dependente de critérios fixos.

Crédito: limite, preço e condição por cliente

O crédito concentra a aplicação mais madura: na Pesquisa Febraban de Tecnologia Bancária 2026, as iniciativas voltadas à análise de risco de crédito aparecem entre as mais avançadas no uso de IA pelos bancos.

Um caso clássico é o sistema do Bank One para cartões de crédito, descrito por Trench e coautores (2003) na revista Interfaces. O modelo, baseado em processos de decisão de Markov, escolhia preço e limite para cada portador de cartão, com ganho potencial estimado em mais de US$ 75 milhões por ano.

No Brasil, a mesma lógica se aplica à análise de crédito quando a política deixa de ser uma tabela de corte e passa a escolher, entre as condições autorizadas, a que equilibra aprovação, risco e rentabilidade. Com isso, o limite e a taxa passam a refletir o valor esperado de cada cliente, e não só sua faixa de risco.

Fraude e autenticação: a ação certa para cada transação

Na prevenção a fraude, a previsão indica a probabilidade de uma transação ser fraudulenta, e a decisão escolhe entre aprovar, pedir uma autenticação adicional ou bloquear. Segundo a Pesquisa Febraban 2026, o monitoramento preditivo de transações é prioridade para 76% dos bancos.

A escolha da ação tem custo nos dois sentidos: bloquear um cliente legítimo gera atrito e perda de receita, enquanto liberar uma fraude gera perda direta. Por isso, a prevenção a fraude ganha precisão quando a política pondera esses custos e define a resposta proporcional ao risco de cada operação.

Tesouraria, liquidez e capital

A gestão de ativos e passivos é um dos usos mais antigos da otimização em bancos. Em 1986, Kusy e Ziemba publicaram na Operations Research um modelo de programação estocástica multiperíodo para uma cooperativa de crédito canadense, que equilibrava risco, retorno e liquidez sob incerteza de fluxos e custos.

Os reguladores internacionais registram esse uso, e o Relatório Econômico Anual 2024 do BIS afirma que cerca de 70% das instituições financeiras usam IA para melhorar previsões de fluxo de caixa e a gestão de liquidez, ajustar escores de crédito e aprimorar a detecção de fraude.

Na gestão de tesouraria bancária, a análise prescritiva transforma essas previsões em decisões de alocação e captação, com o objetivo de respeitar os limites regulatórios com o menor custo de recursos parados.

Relacionamento, oferta e retenção

No relacionamento com o cliente, a análise prescritiva escolhe qual produto oferecer, em que canal e em que momento. Na Pesquisa Febraban 2026, 80% dos bancos priorizam a análise de dados com IA para aprimorar ofertas.

A mesma lógica vale para a retenção: identificar quem está prestes a deixar a instituição e escolher a ação com maior chance de mantê-lo. Desse modo, a oferta deixa de ser uma campanha igual para todos e passa a ser uma decisão individual, medida pelo resultado.

Quais regras se aplicam às decisões automatizadas em bancos?

As decisões automatizadas em bancos estão sujeitas a três camadas de regras: o direito do titular à revisão de decisões automatizadas previsto na LGPD, a exigência de avaliação independente dos modelos de gerenciamento de riscos do Conselho Monetário Nacional e as regras de mensuração de perdas da Resolução CMN nº 4.966/2021.

A primeira dessas camadas está no art. 20 da Lei Geral de Proteção de Dados, que garante ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, incluídas as que definem seu perfil de crédito.

Sobre esse artigo, a ANPD informou em seu balanço de agenda regulatória que a minuta de regulamentação está em elaboração.

A segunda camada vem da Resolução CMN nº 4.557/2017, cujo art. 9º exige que os modelos de gerenciamento de riscos passem por avaliação periódica de premissas e desempenho, feita por unidade diferente da que os desenvolveu e da que assume os riscos.

A terceira camada é a Resolução CMN nº 4.966/2021, em vigor desde 1º de janeiro de 2025, que estabelece a perda esperada a partir da probabilidade de um instrumento se tornar ativo com problema de recuperação e da expectativa de recuperação. Esses parâmetros alimentam diretamente as decisões de crédito e de precificação.

O quadro regulatório, porém, ainda está em construção: o Projeto de Lei nº 2.338/2023, que institui o marco legal da inteligência artificial, aguardava parecer na comissão especial da Câmara em outubro de 2026, e o Banco Central não havia editado norma específica sobre IA.

Quais são os riscos e limites da análise prescritiva?

Os principais riscos da análise prescritiva são a baixa explicabilidade de alguns modelos, a dependência da qualidade dos dados e o desalinhamento entre o objetivo otimizado e as expectativas regulatórias e éticas da instituição.

O próprio Banco Central aponta esses pontos: no Relatório de Estabilidade Financeira de outubro de 2025, o BC registra que os principais riscos de IA percebidos pelas instituições incluem a ausência de transparência e de explicabilidade de alguns modelos e a possível manifestação de vieses decorrentes do uso de dados históricos.

O Conselho de Estabilidade Financeira (FSB) segue na mesma linha e, em relatório de 14 de novembro de 2024, afirma que a explicabilidade limitada de algumas abordagens de IA pode dificultar a avaliação da adequação e da solidez de um modelo e que a avaliação da qualidade dos dados é parte central da gestão do risco de modelo.

O mesmo relatório observa que muitas instituições preferem aplicações que apoiam a decisão humana em vez de substituí-la. Para estruturar essa governança, o AI Risk Management Framework do NIST organiza a gestão de riscos de IA em quatro funções, governar, mapear, medir e gerenciar, e inclui entre as características de uma IA confiável a gestão de vieses prejudiciais.

Em síntese, a análise prescritiva exige a mesma disciplina de qualquer modelo crítico, com documentação, validação independente e governança de modelos de IA proporcional ao impacto de cada decisão.

Como implementar a análise prescritiva em uma instituição financeira?

A implementação da análise prescritiva segue três passos: escolher uma decisão de alto volume e definir seu objetivo e suas restrições, garantir dados e previsões confiáveis para alimentá-la e colocar o modelo em operação com governança, revisão humana e medição de resultado.

Os três passos partem da decisão, e não da tecnologia: a pergunta inicial é qual decisão, se tomada de forma melhor, produziria o maior ganho para a instituição.

Passo 1. Escolher a decisão e definir objetivo e restrições

O ponto de partida é uma decisão repetida em grande volume, como limite de crédito, oferta de produto ou ação de cobrança. Para ela, a instituição define o que quer maximizar ou minimizar e quais restrições não podem ser violadas, como apetite a risco, capital e regras de proteção ao cliente.

Essa definição precisa envolver negócio, risco e compliance desde o início, porque o objetivo otimizado é o que o modelo vai perseguir. Um objetivo mal especificado leva a recomendações tecnicamente corretas e comercialmente inadequadas.

Passo 2. Garantir dados e previsões confiáveis

Em seguida, a instituição verifica se tem os dados e os modelos preditivos necessários para cada alternativa avaliada. Dados fragmentados entre core bancário, canais e cadastros reduzem a qualidade da recomendação.

Nessa etapa, também vale integrar a automação de decisão já existente, que executa regras e modelos, à camada prescritiva, que escolhe a melhor ação entre as permitidas.

Passo 3. Operar com governança e medir o resultado

O último passo é colocar o modelo em produção de forma gradual, comparando suas recomendações com as decisões atuais antes de ampliar o uso. A revisão humana nas decisões de maior impacto e o registro de cada recomendação atendem às exigências da LGPD e da validação independente de modelos.

Com o resultado medido, a instituição ajusta objetivos e restrições e amplia a análise prescritiva para outras decisões, em ciclos curtos de melhoria contínua.

FinXperience e FinOrigination: como a Topaz leva a decisão orientada por dados à operação

AA Topaz, criadora da primeira plataforma full banking do mundo, apoia a decisão orientada por dados com duas famílias da Topaz One: o FinXperience, que personaliza a experiência bancária com open banking, inteligência artificial e análise comportamental, e o FinOrigination, que aplica a política de crédito parametrizada e registra qual regra decidiu cada contratação.

As duas famílias levam a lógica prescritiva aos pontos em que a decisão acontece: o relacionamento com o cliente e a concessão de crédito.

FinXperience: motor de decisão e recomendação

A família FinXperience usa inteligência artificial e aprendizado de máquina para antecipar necessidades, prever comportamentos e orientar os próximos passos da jornada do cliente, com análise contínua de dados comportamentais e transacionais que sustentam recomendações de produto, serviço e canal em todos os pontos de contato.

Essa capacidade está desenhada para atuar sobre três frentes do relacionamento confirmadas pela própria oferta: personalizar a experiência do usuário, aumentar o engajamento e o cross-sell e reduzir a inatividade de clientes que correm risco de abandonar a instituição antes da próxima oferta.

A inteligência consome dados transacionais da base da instituição e aplica regras de personalização em camada própria, o que permite ao time de negócio ajustar oferta, jornada e critério de recomendação sem abrir demanda de desenvolvimento no core bancário.

FinOrigination: política de crédito parametrizada e auditável

A família FinOrigination automatiza e otimiza a originação de produtos financeiros em canais digitais e presenciais, consultando bases internas e fontes externas, aplicando a política de crédito vigente e calculando o limite ou a condição de cada solicitante dentro da trilha única da jornada.

A política é parametrizada pelo time de negócio da instituição, o que permite ajustar critérios de aprovação, limite, taxa e prazo sem depender de ciclo de desenvolvimento do fornecedor. Mudança de estratégia comercial vira configuração de regra, não projeto de TI.

A oferta também registra a trilha completa da jornada, com o que foi consultado, qual regra decidiu e quem assinou cada contratação, disponível para auditoria interna e inspeção regulatória.

Essa rastreabilidade é o que permite à instituição responder a uma solicitação de revisão de decisão automatizada sob o Art. 20 da LGPD com evidência documentada, não com reconstrução de histórico sob pressão de prazo.

Integração com a Topaz One: segurança, core e escala

Na camada de segurança, o SecureJourney, adotada por 90% do mercado financeiro brasileiro, opera dentro do fluxo de recomendação e originação e, ao detectar risco, pode bloquear a operação, exigir autenticação adicional ou sinalizar o caso para revisão manual sem quebra da jornada do cliente.

A autenticação facial da suíte conquistou o selo iBeta de conformidade com a norma internacional ISO/IEC 30107-3 contra ataques de spoofing. Nessa mesma arquitetura, produtos altamente parametrizáveis reduzem o time to market de novas políticas de crédito e novas ofertas comerciais, e o modelo híbrido de implantação, on premise ou em nuvem, combina baixo custo operacional e alta resiliência.

Por que essa arquitetura sustenta a decisão

A Topaz One é a primeira plataforma full banking do mundo, com ofertas presentes nos guias de Gartner, Celent e ISG Provider Lens. Nessa plataforma, core bancário, originação, segurança e relacionamento compartilham a mesma base de dados, o que reduz a fragmentação que limita a qualidade das recomendações e trava o tempo de resposta a mudanças de política.

A suíte SecureJourney é adotada por 90% do mercado financeiro brasileiro, aderência que atende às normas do Banco Central, da LGPD e do PCI-DSS. Essa escala sustenta o posicionamento em presença global e local, com atuação em 25 países, mais de 300 clientes e mais de 550 milhões de consumidores finais atendidos entre bancos tradicionais, digitais, cooperativas, fintechs e instituições de pagamento.

A Topaz é parte do Grupo Stefanini, multinacional brasileira de tecnologia presente em mais de 40 países, escala institucional que dá lastro a projetos de longo prazo em infraestrutura financeira crítica.

Para levar a sua instituição a decisões orientadas por dados, com integração nativa entre recomendação, originação e core, fale com nossos especialistas e conheça o FinXperience e o FinOrigination.

Perguntas frequentes sobre análise prescritiva

Conceito, diferenças, aplicações e regulação concentram as dúvidas de executivos de bancos e instituições financeiras sobre análise prescritiva.

O que é análise prescritiva?

Análise prescritiva é a forma de análise de dados que responde "o que deve ser feito?", combinando previsões, regras de negócio e otimização para recomendar a melhor ação dentro das restrições da instituição. A Gartner a define pelo uso de técnicas como simulação, heurísticas, motores de recomendação e machine learning.

Qual a diferença entre análise preditiva e prescritiva?

A análise preditiva estima o que deve acontecer, como a probabilidade de inadimplência de um cliente. A análise prescritiva usa essa previsão para escolher a ação, como ajustar o limite, oferecer renegociação ou manter a condição atual.

Quais são os quatro tipos de análise de dados?

São quatro: descritiva (o que aconteceu?), diagnóstica (por que aconteceu?), preditiva (o que deve acontecer?) e prescritiva (o que deve ser feito?). Cada nível usa o anterior como insumo e se aproxima mais da decisão.

Como a análise prescritiva pode transformar a tomada de decisão em bancos?

A análise prescritiva transforma a decisão em bancos ao indicar a ação para cada cliente, otimizar recursos escassos como capital e liquidez e tornar as decisões consistentes e auditáveis em escala. O FinXperience, família da Topaz One, aplica essa lógica com motor de decisão ajustável e motor de recomendação.

Quais técnicas a análise prescritiva usa?

A análise prescritiva usa otimização matemática, simulação de cenários, regras de decisão, motores de recomendação e aprendizado de máquina. Em decisões repetidas, como limite de crédito e cobrança, modelos de decisão sequencial avaliam o efeito de cada ação ao longo do tempo.

A LGPD permite decisões automatizadas de crédito?

Sim, desde que o titular possa solicitar a revisão. O art. 20 da LGPD garante ao titular o direito de pedir a revisão de decisões tomadas unicamente com base em tratamento automatizado, incluídas as que definem seu perfil de crédito.

Por que contar com a Topaz na decisão orientada por dados?

Porque a Topaz, com mais de 300 clientes em 25 países e 14 escritórios, reúne no FinXperience um motor de decisão ajustável e um motor de recomendação sobre dados em tempo real e no FinOrigination uma política de crédito parametrizada com trilha de qual regra decidiu cada contratação.

A Topaz One é a primeira plataforma full banking do mundo, com ofertas presentes nos guias de Gartner, Celent e ISG Provider Lens.