O Homem Que Mudou O Jogo Relatório

Guia prático: como montar e interpretar um relatório baseado na metodologia do homem que mudou o jogo

Achei que essa pergunta nunca ia aparecer aqui, mas alguém mandou um e-mail perguntando sobre o relatório do homem que mudou o jogo e eu resolvi escrever isso de uma vez. A metodologia em si não é um segredo. O problema é que todo mundo tenta aplicar ela como se fosse um plug-and-play, e aí o relatório sai feio porque falta contexto na captação dos dados.

O que é exatamente o homem que mudou o jogo relatório

Não é um modelo de negócio. É uma abordagem de análise quantitativa aplicada a processos de alta variabilidade. A gente costuma usar em operações onde o tempo de ciclo tem distribuição enviesada e os outlier's destróem qualquer média aritmética. O cara que criou o método chamou de "homem que mudou o jogo" porque a principal mudança que ele propõe é abandonar a média como métrica central e focar no terceiro quartil e nos tail events. O relatório em si é o artefato que documenta essa análise. Ele tem uma estrutura específica: definição do escopo, coleta brutos, filtragem de ruído, cálculo das percentis, visualização e interpretação. Se você pular qualquer um desses passos, o relatório simplesmente não funciona. Já vi gente entregar um relatório sem a etapa de filtragem e achar que o resultado era válido. Não era.

Como montar na prática

Vou descrever o fluxo direto, sem rodeio. O que eu uso no dia a dia é o seguinte: 1. Definição do escopo. Anote exatamente o que está sendo medido e por quê. Se você não souber responder essa pergunta em uma frase, não tem como continuar. No meu caso, comecei aplicando isso num processo de triagem de atendimento onde o tempo médio era de 4,2 minutos mas 30% dos chamados levavam mais de 18 minutos. A média escondia o problema.

2. Coleta dos dados brutos. Extraia todos os registros do período escolhido. Meu padrão é pegar 90 dias de dados por segurança estatística. Menos que isso e o terceiro quartil flutua demais. Anotar a fonte dos dados é importante porque a qualidade da extração define tudo depois. 3. Filtragem de ruído. Aqui é onde a maioria erra. Você precisa remover valores impossíveis por erro de registro, não por variância real. Um caso que eu tive: num relatório anterior, tinha 12 registros com tempo de 0 segundos. Era claro que eram falhas de timestamp. Removi manualmente após cruzar com o log do sistema. Isso representava 0,4% do total mas, se ficasse, distorceria o desvio padrão inteiro.

4. Cálculo das percentis. Calcule P25, P50, P75, P90 e P95. A mediana (P50) é o seu norte. O P75 é onde a maioria dos casos Normais se concentra. O P90 e P95 são onde mora o problema. Anote esses valores em uma tabela simples. 5. Visualização. Um box plot é o mínimo que você precisa. Sem box plot o relatório é apenas uma lista de números. Eu uso Excel para versão rápida e Python com matplotlib para versão final. O gráfico leva cerca de 10 minutos se você já tiver o dataset limpo.

6. Interpretação. Escreva o que os números dizem, não o que você gostaria que dissessem. Se o P90 está em 22 minutos e o SLA é de 15, o relatório precisa falar isso. Sem ambiguidade.

Pegadinhas que ninguém conta

A primeira pegadinha é a armadilha da amostra não representativa. Se você coletar dados de um período com campanha promocional ativas, os números não refletem a operação. Eu caí nessa em 2023. Peguei dados de novembro com Black Friday embutida e o relatório mostrou um P90 absurdamente alto. Quando refinei a extração para remover os dias de campanha, o P90 caiu de 31 para 19 minutos. A diferença era toda sazonalidade. A segunda pegadinha é mais técnica. A distribuição dos seus dados provavelmente não é normal. Nesse caso, usar desvio padrão como métrica de variabilidade é enganoso. A solução é usar o intervalo interquartil (IQ = P75 - P25) no lugar. O IQ é muito mais robusto e funciona mesmo quando a cauda direita é longa.

Outro ponto que as pessoas ignoram: a metodologia falha quando o volume de dados é muito baixo. Menos de 200 observações e as percentis ficam instáveis. Se você está num cenário desses, o relatório não deve ser feito com essa abordagem. Nesse caso, prefira análise qualitativa combinada com contagem de frequência. Não force o modelo onde ele não cabe.

Download do template

Eu mantenho um template básico do homem que mudou o jogo relatório disponível para consulta. O arquivo contém as fórmulas de percentil prontas, o box plot estruturado e um campo para anotações de interpretação. Ele não resolve tudo sozinho mas economiza pelo menos 40 minutos de configuração inicial. O link está no final desta página. O template é compatível com Excel 2016 e superiores e também funciona no Google Sheets.

Quando não usar

Eu preciso ser honesto sobre as limitações. Esse método não serve para dados qualitativos, para processos com poucos passos e para cenários onde a variabilidade é intencional e desejada. Se o seu processo é simples e linear, uma planilha simples com média e frequência basta. Fazer um relatório completo do homem que mudou o jogo relatório nesses casos é trabalho desperdiçado. Também não funciona bem quando os dados têm múltiplas populações misturadas. Por exemplo, se você tem dois tipos de chamado com comportamentos radicalmente diferentes num único dataset, as percentis vão apontar para um meio-termo que não representa nenhum dos dois grupos. Nesses casos, segmente antes de analisar. Separe as populações e aplique o método individualmente em cada uma.

O template pode ser baixado pelo link abaixo. Se tiver dúvida sobre algum passo específico, deixa nos comentários que eu respondo quando der.