O pedido quase nunca chega pronto para execução. Ele chega como slogan, ansiedade, desconforto, solução imaginada ou urgência política. "Precisamos de um dashboard de churn." "Dá para usar IA no atendimento?" "Temos que ser mais data-driven." O problema do time de dados não é apenas responder rápido. É impedir que a organização invista meses em uma demanda mal formulada.
Esse é o coração de strategic framing. A ideia dialoga com uma constatação recorrente em produto e em dados: equipes sofrem quando confundem problema com solução. O Slalom chama atenção para o fato de que problem framing quase nunca é ensinado explicitamente, embora seja decisivo para a qualidade do trabalho aplicado (Slalom). O SVPG insiste que explorar soluções também aprofunda a compreensão do problema, em vez de separar rigidamente problema e solução como se fossem etapas limpas (SVPG). E a Product Talk reforça que, antes de pular para solução, é melhor enquadrar necessidades como oportunidades claras (Product Talk).
No contexto de dados, framing é justamente essa passagem: sair do pedido vago e chegar a decisão, hipótese, responsável, métrica e próximo passo. Os exemplos abaixo ajudam a tornar isso menos abstrato.
Exemplo 1: dashboard de churn
Pedido inicial: "precisamos de um dashboard de churn". Esse pedido parece objetivo, mas ainda está preso na superfície da solução. Ele descreve uma tela, não a decisão que a tela deveria melhorar.
Framing melhor: "queremos identificar contas estratégicas com risco de não renovar nos próximos 90 dias para priorizar a intervenção do time de customer success". A conversa muda porque agora o foco deixa de ser visualização e passa a ser decisão de retenção.
As perguntas úteis passam a ser outras: quem decide a intervenção, qual janela temporal importa, que sinais indicam risco, que ação será tomada e que métrica mostrará impacto. Esse tipo de movimento conecta problem framing com métrica de decisão.
Exemplo 2: ser data-driven
Pedido inicial: "a empresa precisa ser mais data-driven". Aqui o problema é mais traiçoeiro porque a frase parece estratégica, mas na prática ainda não organiza nenhum trabalho.
Framing melhor: "nos próximos dois trimestres, vamos melhorar três decisões: priorização comercial, forecast de receita e revisão de margem por produto". O slogan vira um portfólio pequeno de decisões observáveis.
Cada decisão agora pode ganhar responsável, hipótese, dado necessário, métrica e sequência de validação. É esse tipo de corte que o artigo Como transformar ser data-driven em plano de ação aprofunda.
Exemplo 3: modelo de propensão
Pedido inicial: "queremos um modelo de propensão". De novo, a equipe recebeu uma solução pronta demais para que o problema ainda esteja claro.
Framing melhor: "queremos decidir quais leads receberão abordagem consultiva do time sênior porque a capacidade comercial é limitada". Isso muda a conversa porque obriga a discutir capacidade comercial, custo de falso positivo, regra de priorização, adoção pelo time e que métrica realmente define sucesso.
Sem esse enquadramento, o modelo pode ser tecnicamente bom e operacionalmente irrelevante.
Exemplo 4: governança de dados
Pedido inicial: "precisamos melhorar governança". O problema aqui é o mesmo das grandes palavras abstratas: todo mundo concorda com elas, mas pouca gente consegue operá-las.
Framing melhor: "precisamos reduzir a divergência na métrica de receita recorrente usada por financeiro, comercial e produto antes do próximo ciclo de planejamento". A partir daí, governança deixa de ser tema abstrato e vira condição para uma decisão executiva concreta.
O framing ajuda a responder qual definição importa, que áreas precisam concordar, quem responde pela semântica da métrica e que risco existe se o número continuar ambíguo. Esse exemplo se conecta a O que é Data Governance.
Exemplo 5: IA no atendimento
Pedido inicial: "dá para usar IA no atendimento?". Esse é o tipo de pergunta que costuma nascer de pressão por eficiência ou de ansiedade competitiva.
Framing melhor: "queremos reduzir tempo de resposta em tickets repetitivos sem aumentar risco de orientação incorreta ao cliente". Essa formulação já obriga a explicitar trade-off entre velocidade, qualidade e risco.
O time agora precisa discutir base de conhecimento, avaliação, revisão humana, limite de automação, custo de erro e métrica de qualidade percebida. Isso ficou ainda mais importante porque, sem dados preparados e práticas adequadas, projetos de IA são abandonados com frequência maior do que o entusiasmo inicial deixa parecer (Gartner, 2025).
Com IA, framing é ainda mais importante porque automação ruim escala rápido.
Exemplo 6: cortar projeto
Pedido inicial: "o projeto está atrasado, precisamos de mais prazo". Nesse ponto, a empresa já costuma estar emocionalmente comprometida com a iniciativa.
Framing melhor: "a hipótese de valor ainda se sustenta ou estamos aumentando custo afundado para proteger uma decisão antiga?". Aqui, strategic framing ajuda a decidir se faz sentido continuar, reduzir escopo, pausar ou encerrar.
Esse tipo de pergunta conecta Strategic Framing com Economia de Dados e Governança de outcomes.
O padrão por trás dos exemplos
Em todos os casos, o movimento é parecido.
| Pedido vago | Pergunta de framing |
|---|---|
| Quero um dashboard | Que decisão essa tela melhora? |
| Quero ser data-driven | Quais decisões mudam primeiro? |
| Quero um modelo | Que ação será tomada com o score? |
| Quero governança | Que decisão sofre com definição ambígua? |
| Quero IA | Que risco aumenta se automatizarmos errado? |
| Quero mais prazo | A hipótese ainda merece investimento? |
O framing não elimina incerteza. Ele torna a incerteza discutível.
Como usar na próxima demanda
Antes de aceitar uma iniciativa, vale preencher:
- pedido original;
- decisão-alvo;
- hipótese;
- responsável;
- dado necessário;
- métrica de decisão;
- ação esperada;
- critério para continuar ou parar.
Se a ficha não fecha, a demanda ainda precisa de framing. O módulo Strategic Framing e Decisão treina esse repertório para que a equipe pare de receber pedido vago e comece a construir decisão operável antes do backlog.
Para medir sua fluência nessa etapa, faça o Radar de Competências.