Construindo um framework preditivo com IA para orientar estratégias comerciais no setor de saúde

Ao longo dos anos, essa empresa do setor de saúde reconheceu que os médicos solicitantes exercem forte influência sobre o local onde os pacientes realizam seus exames diagnósticos. Construir relações de confiança com esses profissionais e com suas instituições tornou-se uma prioridade estratégica, apoiada por uma equipe comercial dedicada à gestão desses relacionamentos por meio de visitas regulares e ações de engajamento.

No entanto, o planejamento dessas visitas baseava-se, em grande parte, na intuição e na experiência individual dos profissionais — decidindo quem visitar, quando e com que frequência — sem o suporte de análises orientadas por dados. À medida que a empresa crescia e a concorrência se intensificava, essa abordagem ad hoc mostrou-se insuficiente.

A ausência de integração de dados, de um monitoramento consistente e de mecanismos estruturados para mensurar resultados resultava em uma visão fragmentada do negócio. Sem uma perspectiva analítica unificada, a equipe comercial tinha dificuldade para compreender a dinâmica das prescrições e identificar os fatores que realmente impulsionavam a efetividade das visitas.

Para enfrentar esse desafio, o projeto introduziu uma metodologia orientada por dados que utiliza Inteligência Artificial e Analytics Avançado para otimizar o planejamento de dois tipos estratégicos de visitas comerciais: visitas a médicos solicitantes de exames e visitas a instituições de saúde parceiras da empresa. O objetivo era identificar e priorizar os médicos e parceiros com maior potencial de geração de receita por meio do aumento do volume de prescrições decorrentes da atuação da equipe comercial.

O projeto foi estruturado em quatro blocos analíticos principais:

Segmentação dos médicos solicitantes

Dados provenientes de múltiplos sistemas foram consolidados para viabilizar análises confiáveis. Utilizando o algoritmo de clusterização K-means, os médicos foram segmentados de acordo com seus padrões de prescrição e tendências de variação, revelando perfis comportamentais que passaram a compor uma importante variável de entrada para o modelo preditivo.

Avaliação do impacto histórico das visitas comerciais

Foi aplicada a metodologia de diferenças em diferenças (difference-in-differences) para mensurar o impacto das visitas sobre o comportamento de prescrição. A abordagem comparou a evolução de cada médico com a de outros profissionais pertencentes ao mesmo cluster, isolando o efeito real das visitas comerciais de fatores externos.

Previsão do impacto de futuras visitas

Em seguida, foi desenvolvido um modelo de Gradient Boosting Machine (GBM) utilizando o histórico de visitas comerciais e os dados de exames diagnósticos para capturar a relação entre as visitas realizadas e seus efeitos observados sobre o comportamento de prescrição. Após o treinamento, o modelo passou a estimar o impacto esperado de uma visita caso ela fosse realizada no momento atual, permitindo à equipe comercial simular diferentes cenários e priorizar aqueles com maior potencial de retorno.

Planejamento prescritivo das visitas comerciais mensais

Por fim, foi incorporada uma camada prescritiva aos resultados do modelo, integrando diversas regras de negócio e diretrizes comerciais para garantir o alinhamento com as prioridades estratégicas da empresa. Por meio de uma interface interativa, a equipe comercial podia ajustar parâmetros como intervalos entre visitas e prioridades de relacionamento, garantindo maior flexibilidade e controle sobre o planejamento das ações comerciais.

Todo o pipeline analítico — desde a preparação dos dados até o treinamento dos modelos e a simulação de cenários — foi implementado na plataforma Databricks do cliente, aproveitando sua escalabilidade nativa e ambiente colaborativo para garantir:

• Integração robusta de dados, consolidando informações provenientes de diversos sistemas da empresa;
• Execução periódica, permitindo a atualização automática das execuções dos modelos analíticos e de seus resultados;
• Interpretação ágil dos resultados, facilitando a integração com processos e ferramentas corporativas, como dashboards comerciais.

O modelo aumentou a efetividade das visitas em 1,5 vez em comparação com a abordagem baseada na intuição, superando de forma consistente estratégias simplificadas e aleatórias de alocação de visitas ao priorizar aquelas com maior impacto esperado. Esse resultado é particularmente relevante em um contexto no qual não é possível visitar todos os médicos devido a limitações de tempo e capacidade da equipe comercial, garantindo que os esforços sejam direcionados às oportunidades com maior potencial de geração de valor.

A solução também possibilitou a personalização completa do planejamento das visitas por meio de uma interface interativa, permitindo que os planos comerciais evoluam conforme as mudanças nos objetivos do negócio, sem perder o alinhamento com a estratégia corporativa e aproveitando o histórico de dados disponível. Como a interface desenvolvida também incorpora uma proposta de valor personalizável, ela garante que a equipe comercial esteja sempre atualizada sobre as mais recentes técnicas e exames diagnósticos da empresa, promovendo um discurso comercial consistente e alinhado.

Ao centralizar dados, modelos analíticos e regras de negócio em uma única plataforma, a empresa conquistou maior transparência, reduziu o esforço manual e estabeleceu um processo escalável para o planejamento das visitas comerciais. Hospedada no Databricks, a solução conecta-se de forma segura aos dados em tempo real, permitindo que as equipes executem análises de forma autônoma e gerem novos planos de visitas sempre que necessário.