A bronca não consertou a loja. O elogio não estragou o vendedor. Foi a regressão à média, e ela não avisa. Nas Lojas Andorinha Sônia, diretora de operações das Lojas Andorinha, rede de moda com trinta lojas, chegou à reunião com o slide que considerava a prova definitiva: pelo quarto mês seguido, o "plano de choque" aplicado às três piores lojas do ranking tinha funcionado. Visita da supervisão, checklist reforçado, conversa dura, e as três subiam no mês seguinte, como um relógio. Proposta em pauta: institucionalizar o plano. A analista da rede pediu para ver o mesmo gráfico com uma linha a mais: as três melhores de cada mês. O slide novo estragou a festa. As campeãs de cada mês pioravam no mês seguinte com a mesma regularidade com que as lanternas melhoravam. E ninguém tinha aplicado plano nenhum nelas: nem choque, nem checklist, nem conversa. — Ou o seu plano também funciona ao contrário e à distância — disse ela — ou tem outra coisa puxando os dois movimentos. Regressão à média: a história do instrutor de voo Daniel Kahneman conta que a descoberta mais importante da sua carreira aconteceu num quartel, dando aula para instrutores da força aérea israelense. Ele explicava que elogiar desempenho funciona melhor que punir. Um instrutor veterano discordou com base na experiência: "Quando elogio um cadete por uma manobra perfeita, na próxima ele quase sempre voa pior. Quando grito por uma manobra horrível, na próxima ele melhora. Elogio piora; bronca melhora." A observação do instrutor estava correta. A conclusão, errada. E o erro tem nome: regressão à média. Uma manobra excepcional combina habilidade com uma dose de sorte (vento, concentração, acaso). Na manobra seguinte, a habilidade continua lá, mas a sorte extraordinária, por definição, não se repete: o desempenho volta para perto da média do próprio cadete. Depois de um desastre, idem, no sentido contrário. O cadete melhoraria após a manobra horrível com ou sem a bronca; a bronca só estava presente na hora de levar o crédito. Kahneman resume o mecanismo perverso: como tendemos a punir após desempenhos ruins e elogiar após os ótimos, e como os extremos regridem sozinhos, a vida acaba nos ensinando a lição errada: que punir funciona e elogiar estraga. O que é, sem mistério Todo resultado observado mistura duas coisas: o que é estável (a qualidade real da loja, a habilidade do vendedor) e o que é acaso (a semana atípica, o cliente difícil, a chuva, a flutuação de amostra pequena). Quando um resultado é extremo, é quase sempre porque as duas componentes apontaram na mesma direção: a loja é boa e teve sorte, ou é fraca e teve azar. Na medição seguinte, a componente estável continua igual, mas o acaso volta a se distribuir normalmente. Resultado: os extremos de hoje tendem a ficar menos extremos amanhã, sem que nada tenha mudado. O fenômeno foi descrito por Francis Galton em 1886, estudando altura de pais e filhos: pais muito altos tinham filhos altos, porém, em média, menos altos que eles; pais muito baixos, filhos menos baixos. Ele chamou de "regressão à mediocridade" (hoje diríamos "à média"). Não há força misteriosa puxando ninguém: é pura aritmética de sinal + ruído. Importante: regressão à média não é "tudo volta à média da rede". Cada loja regride à sua própria média. A loja excelente continua excelente; só não repete o mês milagroso. Onde ela morde no dia a dia O ranking de filiais. Todo mês, alguém é o pior do ranking. O pior do mês quase sempre combina qualidade real com azar; logo, no mês seguinte, tende a subir sozinho. Se a diretoria aplicou um "plano de choque" no intervalo, adivinhe quem leva o crédito. O programa de intervenção nas piores unidades sempre parece funcionar, mesmo quando é inócuo. É o golpe perfeito da estatística. O funcionário do mês. Premiado em janeiro, desempenho "cai" em fevereiro. Não caiu: regrediu do pico. Quem conclui que "o prêmio acomodou" está repetindo o instrutor de voo. A queda de NPS que "se resolveu". Nota despenca numa semana (amostra pequena + azar), gestor troca a escala de funcionários, nota volta ao normal, como voltaria de qualquer jeito. A mudança vira "case de sucesso" e é replicada na rede inteira, com custo real e efeito imaginário. O cliente que renovou depois do desconto de emergência. Clientes procuram ajuda no fundo do poço da insatisfação; muitos melhorariam a percepção com o atendimento normal. O desconto dado a todos os casos extremos parece milagroso, e ninguém sabe quanto dele era necessário. Como se defender (sem virar niilista) A defesa não é "nunca acredite em melhora": é separar melhora real de regressão. Quatro ferramentas: 1. Espere o extremo, desconte o extremo. Diante de qualquer resultado excepcional (bom ou ruim), a previsão estatisticamente honesta para o período seguinte é: menos extremo. Faça dessa a expectativa-padrão e as "melhoras milagrosas" perdem o encanto. 2. Grupo de comparação, sempre. A pergunta mata-regressão: "e as unidades igualmente ruins onde NÃO fizemos nada?" Se as piores lojas sem intervenção melhoraram tanto quanto as com intervenção, o plano de choque era placebo. É o experimento com grupo de controle, aplicado à gestão. 3. Série longa em vez de dois pontos. Comparar "mês do desastre" com "mês seguinte" é a receita da ilusão. Olhe 12 meses: o "desastre" era um vale raro numa linha estável? Então era ruído com data. A tendência de fundo mudou? Aí sim há história — distinguir essas duas coisas é assunto para outros dois artigos desta série, sobre diferença real vs. ruído e sazonalidade em séries temporais. 4. Desconfie sistematicamente de melhoras que seguem intervenções disparadas por extremos. Se a regra é "agir quando o número está péssimo", toda ação será seguida de melhora aparente. Esse desenho de decisão fabrica falsos sucessos em série. Sempre que possível, teste a intervenção também em unidades médias: se ela só "funciona" nas péssimas, o mérito é da regressão. A consequência cultural (a parte difícil) Este viés tem um custo silencioso na cultura de
Data storytelling: transformar números em decisão
Ninguém age por causa de uma planilha. Pessoas agem por causa de histórias — é essa a base do data storytelling. Nas Lojas Andorinha Sônia, diretora de operações das Lojas Andorinha, uma rede de moda com trinta lojas, preparou durante duas semanas a apresentação mais completa da sua carreira: catorze slides, seis tabelas, todos os cortes possíveis da pesquisa do trimestre. Nenhum número errado, nenhuma fonte faltando. A diretoria assistiu com educação. Duas perguntas gentis. Alguém elogiou "o volume de trabalho". A reunião terminou com a frase que mata análises: "vamos deixar amadurecer". No corredor, Sônia refez o caminho mental slide a slide, procurando o erro. Não achou: estava tudo certo. E foi isso que a incomodou a semana inteira. Se estava tudo certo, por que ninguém tinha levantado da cadeira? Catorze slides de verdade, e a decisão que ela veio buscar continuava exatamente onde estava antes da reunião. O relatório perfeito que não mudou nada Todo analista já viveu isso: semanas de trabalho, dados impecáveis, 40 slides, metodologia irretocável. A reunião acaba, todos elogiam… e nada acontece. Nenhuma decisão, nenhuma ação. O diagnóstico raramente é técnico. O relatório informava, mas não movia. E dados que não movem ninguém são, na prática, dados que não existem. Data storytelling é a disciplina de fechar esse último quilômetro: o caminho entre o número certo e a decisão tomada. O trabalho é estruturar a comunicação de dados do jeito que cérebros humanos decidem, o que tem muito pouco a ver com enfeitar gráficos. Por que histórias funcionam onde tabelas falham A explicação vem da ciência cognitiva, e passa por memória, atenção e decisão. O psicólogo Jerome Bruner, um dos fundadores da psicologia cognitiva, argumentava que a mente humana possui um "modo narrativo" de pensamento, tão básico quanto o modo lógico-analítico, e que informações organizadas em narrativa são mais lembradas do que as mesmas informações em lista. Some a isso o custo de atenção: uma tabela pede que o leitor encontre o que importa, enquanto uma história escolhe por ele. Numa reunião de 30 minutos, a diferença é brutal. O terceiro mecanismo é o menos óbvio. O neurocientista Antonio Damasio demonstrou, estudando pacientes com lesões nas áreas emocionais do cérebro, que sem emoção a decisão trava: pessoas com raciocínio lógico intacto, mas sem acesso às emoções, tornavam-se incapazes de decidir coisas simples. Decisão é um ato emocional informado por dados, e não o contrário. A síntese: dados fazem as pessoas saberem; histórias fazem as pessoas se importarem. O trabalho completo entrega os dois. A estrutura do data storytelling: toda história de dados tem 3 atos A boa notícia: não é preciso ser Spielberg. Histórias de dados eficazes seguem uma estrutura simples e reutilizável. Ato 1 — Contexto: "eis a situação"Onde estamos e por que isso importa para quem está ouvindo. Uma frase, não dez: "A satisfação da rede vinha estável há um ano em torno de NPS 60." Ato 2 — Conflito: "algo mudou / algo não fecha"A tensão que justifica a reunião: "Nos últimos dois meses, caímos para 48, e a queda está concentrada numa única etapa da experiência." Ato 3 — Resolução: "eis o que fazer"A recomendação, com o próximo passo concreto: "Os comentários apontam o novo processo de fila. Proposta: reverter em 3 lojas por duas semanas e medir a diferença." Repare no que essa estrutura obriga: começar pela mensagem, e não pelos bastidores. O caminho da análise (as 17 tabelas consultadas) interessa ao analista; à audiência interessa a situação, a tensão e a saída. Os bastidores vão para o apêndice: disponíveis para quem quiser auditar, invisíveis para quem precisa decidir. O gráfico certo para cada mensagem Regra de ouro, destilada do trabalho de referências como Stephen Few e Cole Nussbaumer Knaflic: um gráfico, uma mensagem. Primeiro escreva a frase que o gráfico deve provar; depois escolha o desenho que prova essa frase com menos esforço do leitor. E o princípio unificador de Edward Tufte, o decano da visualização de dados: maximize a tinta que carrega informação. Fundos decorativos, 3D, dez cores, molduras: tudo que não ajuda a mensagem, atrapalha. Gráfico limpo é respeito pela atenção do leitor. Um recurso simples e poderoso: o título do gráfico é a conclusão, não a descrição. Em vez de "NPS por mês", escreva "A queda do NPS começou com o novo processo de fila". O leitor apressado que só lê títulos (ou seja, quase todos) sai com a mensagem certa. A ética da história (o freio de mão) Aqui esta série se conecta consigo mesma: storytelling é uma ferramenta de persuasão, e toda ferramenta de persuasão pode virar arma contra a verdade (inclusive contra quem a usa). Quem constrói a narrativa está mais sujeito do que ninguém ao viés de confirmação (artigo sobre o manual dos vieses), e ao primo dele que a literatura chama de viés de história: a preferência do cérebro por explicações redondas, com começo, meio, causa e vilão, mesmo quando os dados sustentam apenas um "ainda não sabemos". A história boa demais merece o dobro da auditoria, precisamente porque convence sem esforço. Três salvaguardas inegociáveis: A regra-resumo: simplificar é remover o irrelevante; distorcer é remover o inconveniente. Por que isso importa Todo dashboard ou relatório de dados termina no mesmo lugar: um gestor olhando um gráfico entre um problema e outro do dia. Se aquele gráfico não contar uma história clara (o que aconteceu, onde, o que fazer), ele vira mais um painel bonito e ignorado. Data storytelling é competência central para quem monta propostas, relatórios e apresentações de resultado — não é enfeite, é o que decide se o dado vira ação. E o teste definitivo de uma história de dados bem contada não é o elogio no fim da reunião. É alguém perguntar: "ok, quem faz o quê até quando?" De volta à Andorinha Na Andorinha, a segunda tentativa tinha três atos e um só pedido. Situação: as lojas de shopping sustentam a margem da rede. Conflito: a nota de atendimento delas cai há quatro meses, puxada
Média mente: como resumir dados sem se enganar
Se você está com um pé no gelo e outro no fogo, na média está confortável. Média e mediana, lidas juntas, evitam esse tipo de ilusão. O número mais usado (e mais traiçoeiro) do mundo A média é o canivete suíço da análise: rápida, familiar, cabe em qualquer slide. "A nota média do mês foi 4,2." Pronto, resumimos mil respostas num número. O problema: resumir é jogar informação fora. Às vezes o que jogamos fora era exatamente a história. Este artigo mostra os quatro truques que a média usa para mentir, e as ferramentas simples para desmascará-la. Truque 1: a média esconde os extremos Imagine duas lojas, cada uma com nota média 3 (de 1 a 5): Mesma média. Situações opostas. A Loja A tem um problema de indiferença: nada encanta, nada revolta. A Loja B tem dois problemas urgentes: descobrir o que encanta metade dos clientes e o que está expulsando a outra metade (aposto num turno, num funcionário ou num dia da semana específico). Quem olha só a média trata as duas lojas do mesmo jeito, e erra nas duas. Antídoto: olhar a distribuição (o histograma, a contagem de cada nota). É por isso que dashboards bem desenhados mostram as barras, não só o numerão. Truque 2: quando média e mediana discordam (outliers) Cinco amigos num bar têm salário parecido; a "renda média da mesa" é honesta. Aí um bilionário entra no bar. A renda média da mesa agora é de centenas de milhões, e não descreve ninguém ali dentro. Valores extremos (outliers) arrastam a média. No dia a dia de qualquer operação: um único cliente que ficou 4 horas preso num problema de troca arrasta o "tempo médio de atendimento" do dia; uma compra corporativa gigante arrasta o "tíquete médio" do mês. Antídoto: a mediana, o valor do meio da fila quando os dados são postos em ordem. O bilionário entra no bar e a mediana quase não se move: ela é imune a extremos. Regra prática: para tempos, valores monetários e tudo que "só cresce para um lado", peça a mediana junto com a média. Se as duas estiverem muito distantes, há outliers na história. E outliers, aliás, merecem investigação própria: às vezes o dado extremo é erro de coleta; às vezes é o seu caso mais importante. Truque 3: a média mistura grupos que não deviam ser misturados "A satisfação geral da rede subiu de 4,0 para 4,2. Vitória!" Será? Suponha que a nota do turno da manhã caiu de 4,5 para 4,3, e a do turno da noite caiu de 3,8 para 3,6: as duas caíram. Como pode a média geral subir? Se a proporção de respostas mudou (o turno da manhã, mais bem avaliado, passou a responder muito mais), a média combinada sobe mesmo com todos os grupos piorando. Esse fenômeno tem nome, paradoxo de Simpson, e casos reais célebres, como o processo de admissões da Universidade de Berkeley em 1973: os números agregados sugeriam discriminação contra mulheres, mas, departamento por departamento, o viés desaparecia ou se invertia (as mulheres haviam se candidatado em maior número justamente aos departamentos mais concorridos). Antídoto: segmentar antes de concluir. Sempre que uma média agregada mudar, pergunte: os grupos que a compõem contam a mesma história? Por turno, por loja, por perfil: pelo menos um corte antes de comemorar. Truque 4: números idênticos, realidades opostas Em 1973, o estatístico Francis Anscombe construiu quatro conjuntos de dados hoje famosos (o quarteto de Anscombe): todos com a mesma média, a mesma variância e a mesma linha de tendência. Estatisticamente "idênticos". Colocados num gráfico, revelam quatro desenhos completamente diferentes: uma linha, uma curva, um alinhamento perfeito quebrado por um ponto fora, e por aí vai. A moral, na voz do próprio ofício: resumos numéricos nunca substituem olhar o desenho dos dados. Antes de confiar em qualquer resumo, visualize. O kit do leitor de relatórios Quatro perguntas para fazer diante de qualquer média, em qualquer slide: Nenhuma exige matemática além da que você já sabe. Todas exigem apenas o hábito de perguntar. Por que isso importa Qualquer gestor recebe médias todos os dias: nota média, tempo médio, NPS por período. O que realmente importa não é o número — é a leitura certa dele. Um analista que ensina a abrir a distribuição antes de reagir à média está entregando mais valor do que qualquer painel novo. E vale o espelho de sempre: nas métricas de produto e vendas de qualquer empresa, essas mesmas quatro perguntas se aplicam sem desconto. O resumo de uma frase (teste Feynman) "A média é um resumo, e todo resumo esconde alguma coisa: antes de decidir, pergunte o que ela escondeu." Fontes e leituras recomendadas ANSCOMBE, Francis J. "Graphs in Statistical Analysis". The American Statistician, v. 27, 1973. BICKEL, Peter J.; HAMMEL, Eugene A.; O’CONNELL, J. William. "Sex Bias in Graduate Admissions: Data from Berkeley". Science, v. 187, 1975. (O caso real do paradoxo de Simpson.) HUFF, Darrell. Como Mentir com Estatística. Intrínseca, 2016 (original de 1954). WHEELAN, Charles. Estatística: O Que É, Para Que Serve, Como Funciona. Zahar, 2016. ROSLING, Hans. Factfulness. Record, 2019. (Especialmente o capítulo sobre o "instinto do tamanho" e a leitura de números em contexto.)
O Erro Invisível na Análise do PDV: Quando Trocar o Gerente Não É a Causa do Sucesso
Como Diagnósticos Equivocados Comprometem As Decisões Estratégicas no Varejo Imagine a seguinte situação: em uma rede varejista com 35 unidades físicas, a diretoria decide substituir o gerente de uma loja cujas métricas de desempenho estavam em queda. No mês subsequente à troca, a nota de satisfação do cliente no ponto de venda subiu 12 pontos, levando a alta liderança a comemorar o sucesso da decisão na reunião mensal de resultados. Entretanto, uma auditoria de processos subsequente revelou um fator crítico omitido pelo painel executivo: as obras viárias na avenida principal da loja foram concluídas naquele mesmo mês. Isso dobrou o fluxo de pedestres e facilitou o acesso dos consumidores ao estabelecimento. Dessa forma, o novo gestor recebeu o crédito por um incremento impulsionado, na realidade, pela normalização do tráfego urbano na região. Assumir que eventos simultâneos possuem relação direta de causa e efeito é um dos equívocos analíticos mais dispendiosos na gestão operacional. Confundir correlação estatística com causalidade induz a diagnósticos incorretos e alocação ineficiente de recursos de capital. Para se aprofundar em métricas de desempenho e otimização operacional, confira nosso guia sobre indicadores essenciais de satisfação do cliente no varejo. O Fenômeno da Variável Oculta: Entendendo a Dinâmica Um exemplo clássico Ilustra bem essa questão: nas regiões litorâneas, as vendas de sorvete e as ocorrências de afogamento apresentam picos exatamente nos mesmos meses do ano. Concluir que o consumo de sorvete provoca afogamentos seria uma falácia evidente. Nesse cenário, a variável oculta (ou de confusão) é a temperatura elevada. Os dias quentes atraem maior contingente de pessoas às praias, aumentando simultaneamente o consumo de produtos gelados e a densidade de banhistas no mar. A oscilação térmica é o fator primário que movimenta ambas as variáveis. No contexto do ponto de venda, a inteligência de dados aplicada requer esse mesmo rigor de análise estatística. Se o faturamento registrar alta imediatamente após o treinamento da equipe de atendimento, a causa real pode ser o treinamento, a sazonalidade do setor ou uma campanha promocional concorrente. Framework Analítico: As Quatro Perguntas para Validação de Hipóteses Para converter dados brutos em insights operacionais acionáveis com elevado grau de certeza, a liderança executiva deve submeter qualquer alteração de indicador a quatro questionamentos fundamentais antes de decidir investimentos. A primeira pergunta avalia a relevância estatística, verificando se a variação observada não é mero ruído temporal resultante de amostragens reduzidas ou intervalos de análise curtos. A segunda pergunta foca na identificação de variáveis exógenas e não mapeadas que possam estar influenciando simultaneamente os indicadores sob análise. A terceira pergunta investiga a causalidade reversa. Por exemplo, clientes altamente engajados costumam responder a pesquisas no momento da compra por já nutrirem afinidade com a marca, e não necessariamente o inverso. Para entender melhor como capturar o feedback correto sem viés de amostragem, veja a documentação sobre metodologias de coleta de feedback no momento da verdade. A quarta pergunta estabelece o protocolo de teste experimental. A validação mais segura ocorre ao estruturar testes controlados (A/B) em unidades selecionadas antes de padronizar alterações em toda a rede. Checklist de Bolso: As 4 Perguntas da Investigação de Causalidade Trata-se de uma oscilação casual? Amostras reduzidas e janelas de tempo limitadas frequentemente geram padrões ilusórios nos dashboards de gestão. Há variáveis exógenas intervindo? Fatores como sazonalidade, infraestrutura local, ações promocionais ou feriados sofreram alterações no mesmo período? A direção da causalidade está correta? O resultado observado impulsionou o indicador ou a métrica elevada precedeu a mudança? Como estruturar a validação experimental? A implementação de projetos-piloto em lojas de controle valida premissas antes de investimentos em escala global. No caso da rede varejista mencionada, o gerente permaneceu na liderança da unidade, contudo, o comitê executivo reestruturou seus protocolos de inteligência analítica. A empresa assimilou que a metodologia de coletar, interpretar e agir exige o isolamento criterioso de variáveis por meio de testes locais controlados antes de chancelar diretrizes globais. A ocorrência de dois indicadores não implica relação de causa e efeito. Antes de tomar decisões estratégicas, certifique-se de identificar todas as variáveis ocultas que podem estar influenciando os resultados. Reflita sobre sua operação: quando foi a última vez que uma alteração nos resultados foi atribuída à causa errada apenas pelo alinhamento temporário de dois gráficos nos relatórios mensais? Autor: Eduardo Peters
A Alquimia da Autonomia: O Surgimento da Empresa Hiper-Responsiva para 2026
O cenário corporativo de 2025 revelou uma verdade incontestável: a agilidade não é mais uma escolha metodológica, mas uma condição de sobrevivência. Organizações que implementaram a autonomia orientada por dados alcançaram um aumento de 25% na velocidade de resposta, conforme aponta o relatório McKinsey – Agile at Scale Report de 2025. Este ganho não é apenas um KPI de eficiência, mas o alicerce para a competitividade em 2026.
O Imperativo da Integridade: Navegando na Crise da Qualidade de Dados de 2025 para a Liderança Estratégica em 2026
Ao observarmos o horizonte corporativo de 2026, as cicatrizes deixadas por 2025 servem como bússola para o mercado brasileiro. O ano anterior não foi apenas um ciclo de euforia com a Inteligência Artificial, mas um momento de prestação de contas brutal. Enquanto o mundo via a qualidade de dados como um desafio técnico, o Brasil sentiu o impacto no núcleo de sua competitividade. Segundo a IBM, no relatório de 2025 sobre o custo das violações de dados, o custo médio de um incidente de segurança no Brasil saltou para R$7,19 milhões, um aumento de 6,5% em apenas um ano.
O Almanaque da Evolução Alimentar 2026: Estratégias de Adaptação para uma Era de Consciência
Se a última década foi definida pela “convenience” (conveniência), a era atual é definida pela “biologia programável”. A ascensão meteórica e a onipresença dos medicamentos agonistas do receptor GLP-1 (como Ozempic, Wegovy e Mounjaro) deixaram de ser uma nota de rodapé farmacêutica para se tornarem o motor econômico mais disruptivo do setor de alimentos e bebidas. Em 2026, não estamos mais especulando sobre o impacto; estamos operando dentro de uma nova realidade fisiológica.
A engenharia da retenção no food service 2026: o triunfo da voz do consumidor via inteligência preditiva e agêntica.
Cerca de 49% dos clientes acreditam que o cenário econômico é desafiador, o que os leva a pesquisar e comparar preços e benefícios constantemente. No food service, isso significa que a lealdade baseada em hábitos passados é insuficiente. O consumidor de 2026 visita, em média, quatro estabelecimentos diferentes por mês — um aumento anual constante na busca por variedade e valor. Curiosamente, as ferramentas criadas para fidelizar, como aplicativos de delivery e programas de pontos, acabaram por facilitar a comparação e a troca de marca, criando um paradoxo onde o excesso de conveniência pode acelerar o churn.
O Paradigma da Prevenção: Como a Resolução da Causa Raiz Redefine a Economia do Atendimento em 2026
A transição para 2026 exige que os líderes abandonem a obsessão por métricas de velocidade isoladas. Segundo a análise da Forrester em 2025, as empresas que se tornam “fábricas de medição” sem agir sobre a causa raiz acabam em uma espiral de morte métrica, onde os dashboards parecem saudáveis, mas a lealdade do cliente está em declínio constante.
A Era da Veracidade Financeira: Como a Convergência de Dados em 2026 Consolidou a Eficiência e a Confiança
Entramos em 2026 sob o signo do que os analistas chamam de “O Grande Ajuste”. Se 2025 foi o ano da experimentação cautelosa e da euforia com a Inteligência Artificial, o cenário atual exige uma prestação de contas rigorosa. Observamos que a fronteira entre o sentimento do cliente e o balanço patrimonial não apenas desapareceu, mas tornou-se o terreno onde se decide a sobrevivência das organizações. A lição mais valiosa que herdamos do último ano é clara: a experiência não é um custo a ser gerido, mas a maior alavanca de proteção de capital disponível.
