Quando e quanto cada guia será faturada? A pergunta que ninguém conseguia responder
Em operadoras de saúde, o controle dos procedimentos e gastos com beneficiários é feito através de guias médicas. O processo envolve autorização, agendamento, prestação do serviço e faturamento — com uma variação de tempo imprevisível entre cada etapa. Essa lacuna tornava o controle de contas a pagar extremamente difícil.
O problema central era duplo: quando uma guia autorizada seria efetivamente faturada — e com qual valor. Sem essa previsão, o planejamento financeiro da operadora dependia de estimativas manuais, imprecisas e sem base estatística. Para uma operadora com dezenas de milhões de reais em custos assistenciais mensais, a falta de previsibilidade representava risco financeiro direto.
O projeto também revelou um problema estrutural no processo do cliente: boa parte dos custos não tinha guia associada — um furo operacional que só ficou visível após o trabalho de modelagem e cruzamento de dados.
Dois modelos preditivos, uma visão completa do custo futuro
A estratégia da HopAI foi construir modelos de Machine Learning capazes de aprender o padrão histórico de faturamento de cada tipo de guia — e a partir disso gerar previsões individualizadas para cada procedimento autorizado. Os dados de treinamento incluíam guias autorizadas e pagamentos já realizados, cruzando variáveis como data de emissão, prestador, procedimento e cidade do prestador.
Foram desenvolvidos dois modelos independentes e complementares: o primeiro prevê o valor que será faturado por cada guia — com precisão acima de 95% para guias com histórico disponível. O segundo prevê a data de faturamento, permitindo construir uma curva de desembolso futura com granularidade diária e mensal.
Para guias sem histórico do prestador, foi desenvolvida uma abordagem de fallback baseada em médias regionais por procedimento — garantindo cobertura total do portfólio de guias, mesmo nos casos sem referência histórica direta.
Visão técnica — Modelos de ML
Da previsão ao painel de decisão financeira
As previsões dos modelos foram integradas em um dashboard inteligente personalizado, desenvolvido especificamente para as equipes financeiras e de gestão assistencial da operadora. O painel consolida em tempo real a visão de custos realizados versus custos previstos — permitindo acompanhar mensalmente a aderência do modelo e antecipar desembolsos futuros com precisão.
O comparativo visual entre o realizado e o previsto por mês — com volumes entre R$44M e R$70M mensais — permitiu à equipe financeira identificar padrões de variação, sazonalidades e anomalias no faturamento das guias. A visão passou de reativa para preditiva: em vez de descobrir o custo ao receber a fatura, a operadora passou a antecipar o fluxo de caixa com semanas de antecedência.
Previsibilidade financeira onde antes havia incerteza
O projeto entregou à operadora algo que não existia antes: a capacidade de saber, com alta precisão, quando e quanto cada guia autorizada representaria em custo real — transformando o planejamento financeiro de reativo em preditivo.
Operadora Líder de Saúde
Operadora de saúde de grande porte atuante no Brasil, com foco em planos corporativos e individuais. Setor com margens estreitas onde a previsibilidade de custos assistenciais é fator crítico de sustentabilidade financeira — e onde a variação entre autorização e faturamento cria lacunas difíceis de gerenciar sem modelos preditivos.
Sua empresa pode ser a próxima
A jornada começou com um problema financeiro real — falta de previsibilidade nos custos de guias — e evoluiu para dois modelos de ML em produção com precisão acima de 95% e um dashboard inteligente que transforma o planejamento financeiro da operadora. Essa é a metodologia HopAI: do problema ao resultado mensurável.