O que é Propensity Score?
Propensity score, também chamado de score de propensão, é a probabilidade calculada de uma pessoa executar determinada ação nos próximos dias. O propensity score sai de um modelo estatístico que aprendeu, no histórico, quais características antecedem aquela ação.
O valor vai de 0 a 1. Um score de 0,72 para compra significa que pessoas com aquele perfil converteram em cerca de 72% dos casos no histórico de treino. O score serve para priorizar: sua equipe comercial tem tempo limitado e sua verba tem teto. O score ordena a base e diz por onde começar.
Como calcular o Propensity Score?
Propensity Score = P(ação | características da pessoa)
Valor entre 0 e 1, estimado por um modelo treinado no históricoO modelo, normalmente regressão logística ou árvore de decisão, é treinado em quatro passos: definir o alvo (comprou em 30 dias, sim ou não), montar a base histórica com variáveis como recência e canal de origem, treinar o algoritmo e aplicar na base atual.
A interpretação vira dinheiro com uma conta direta. Uma loja de móveis tem ticket médio de R$ 1.200. Um cliente com score 0,25 tem receita esperada de R$ 300. Outro com score 0,05 tem R$ 60. Se acionar cada pessoa custa R$ 90 em desconto e contato, o primeiro grupo se paga e o segundo não.
Propensity Score vs outras métricas: qual a diferença?
| Métrica | O que mede | Quando usar |
|---|---|---|
| Propensity Score | Probabilidade individual de uma ação futura | Priorizar quem contatar ou impactar com mídia |
| Taxa de Conversão | Percentual de conversão de um grupo já observado | Avaliar performance passada de página ou campanha |
| Lead Scoring | Pontuação por regras manuais de perfil e engajamento | Qualificar leads sem base histórica suficiente |
| Churn Score | Probabilidade de cancelamento no período seguinte | Acionar retenção antes da saída do cliente |
Veredito: o propensity score olha para frente e para o indivíduo, enquanto a taxa de conversão olha para trás e para o grupo.
Exemplos de uso
- Uma concessionária calcula propensão a agendar test drive e envia os 500 maiores scores ao time de vendas, no lugar de ligar para os 8.000 leads do mês.
- Um e-commerce exclui do remarketing quem tem score abaixo de 0,03 e devolve a verba economizada para prospecção.
Erros comuns
- Tratar o score como certeza. Um score de 0,80 ainda erra em parte dos casos.
- Deixar variáveis que vazam o futuro na base de treino, como “adicionou ao carrinho” na previsão de compra.
- Treinar o modelo num período atípico, como Black Friday, e aplicá-lo ao ano inteiro.
Perguntas frequentes sobre Propensity Score
Qual score é considerado bom?
Não existe corte universal, porque a escala depende da taxa base do negócio. Em uma operação com 2% de conversão, um score de 0,15 já é alto. O caminho é ordenar a base pelo score e comparar a conversão real de cada faixa, definindo o corte pelo retorno esperado.
Preciso de cientista de dados para usar propensity score?
Depende da profundidade. Modelos simples de regressão logística rodam em SQL com apoio de quem entende estatística básica. Modelos com muitas variáveis, retreino automático e monitoramento de degradação pedem estrutura de dados e alguém dedicado ao pipeline.
Quantos dados são necessários para treinar o modelo?
O que importa é o volume de eventos positivos, não o total de linhas. Uma base com 100 mil pessoas e apenas 40 compras dá material fraco para o modelo aprender. Quanto mais raro o evento, maior a base histórica necessária para chegar a um score confiável.