Tomada de decisão com dados dá resultado. E na manutenção de aeronaves?

Em Data Science para Negócios, um dos livros mais usados para ensinar análise de dados a gestores, Foster Provost e Tom Fawcett resumem assim um estudo sobre empresas que tomam decisões com base em dados (a sigla DOD, no trecho, é a do livro para “decisão orientada por dados”):¹

“Os benefícios da tomada de decisão orientada por dados têm sido demonstrados conclusivamente. O economista Erik Brynjolfsson e seus colegas do MIT e da Penn’s Wharton School realizaram um estudo de como DOD afeta o desempenho de empresas (2011). Eles desenvolveram uma medida de DOD que classifica as empresas quanto ao uso de dados para tomar decisões. Eles mostram que, estatisticamente, quanto mais orientada por dados, mais produtiva uma empresa é — mesmo controlando uma vasta gama de possíveis fatores de confusão. E as diferenças não são pequenas. Um desvio padrão a mais na escala de DOD está associado com um aumento de 4 a 6% na produtividade. A DOD também está correlacionada com maior retorno sobre ativos, retorno sobre o patrimônio líquido, utilização de ativos e valor de mercado, e a relação parece ser causal.”

É o tipo de número que aparece em apresentações sobre manutenção preditiva e monitoramento de dados de voo. Antes de usá-lo, quisemos saber duas coisas. O que o estudo original mediu? E alguém mediu a mesma coisa na manutenção de aeronaves?

Sobre o estudo original

O trabalho é de Erik Brynjolfsson, Lorin Hitt e Heekyung Kim, de 2011.² Eles enviaram um questionário a grandes empresas americanas de capital aberto e ficaram com 179 que tinham dados completos. A “orientação por dados” de cada uma é a soma de três respostas dadas pela própria empresa: se usa dados para criar produtos e serviços, se usa dados nas decisões do negócio como um todo e se esses dados existem na empresa.

O resultado principal é que uma empresa um desvio-padrão acima da média nessa escala é cerca de 4,6% mais produtiva que as concorrentes, já descontado o quanto ela investe em tecnologia. Um desvio-padrão acima da média equivale, aproximadamente, à distância entre uma empresa mediana e uma que está entre as 16% mais orientadas por dados.

Um número assim não diz, sozinho, o que causa o quê. Pode ser que usar dados torne a empresa mais produtiva. Pode ser também o contrário: empresas que já são produtivas teriam mais recursos para investir em dados, e a associação apareceria do mesmo jeito. Para separar as duas explicações, os autores refazem a conta considerando só a parte da orientação por dados que se explica por características que não dependem do desempenho recente da empresa, como a idade dela. Nessa segunda conta o efeito fica entre 5% e 6%, e os testes indicam que a primeira estimativa não estava inflada pela causalidade inversa.

Os mesmos pesquisadores voltaram ao tema com amostras muito maiores. Em cerca de 18 mil fábricas americanas, a parcela que fazia uso intensivo de dados para decidir passou de 11% em 2005 para 30% em 2010.³ O ganho medido foi de produtividade, e não de faturamento: as fábricas que adotaram a prática geraram cerca de 3% mais valor adicionado (o que a fábrica produz menos o que gasta com materiais) do que fábricas com a mesma quantidade de capital, de trabalhadores e de outros insumos. Segundo os autores, para uma fábrica típica da amostra isso se compara ao efeito de investir US$ 5 milhões a mais em tecnologia. Um terceiro estudo, com mais de 30 mil estabelecimentos, olhou especificamente para análise preditiva. As fábricas que a usam vendem mais que concorrentes parecidas, até US$ 918 mil a mais, mas só quando a ferramenta vem junto de pelo menos uma de três coisas: infraestrutura de tecnologia acumulada, trabalhadores com formação ou uma produção organizada para fluxo contínuo. Sem nenhuma delas, o ganho não aparece.⁴

O resultado geral, portanto, se sustenta e se repete. Ele vale para empresas grandes e para fábricas, foi medido nos Estados Unidos, e nenhum dos três estudos trata de aviação.

A mesma pergunta, na manutenção

O tamanho do problema na aviação é conhecido. Em 2024, as companhias aéreas do mundo gastaram US$ 103,9 bilhões com manutenção, cerca de 11,5% de todo o custo operacional. Em 2019 essa fatia era de 10%.⁵

Não encontramos, para o setor, um estudo comparável ao de Brynjolfsson. Para ver como a relação aparece na manutenção aeronáutica, levantamos três tipos de fonte.

O primeiro é a estimativa setorial. A IATA, associação que reúne as companhias aéreas, escreve que a manutenção preditiva baseada em monitoramento de saúde da aeronave permitiria economizar cerca de US$ 3 bilhões por ano, embora o documento não especifique como o número foi calculado.⁶

O segundo é o caso contado pelo próprio operador. O mais citado é o da Delta, que mostrou numa conferência da IATA a queda dos cancelamentos de voo por manutenção: 5.647 em 2010, 55 em 2018.⁷ A redução é de 99%, e o slide a coloca sob o título de programas de confiabilidade e análise de dados. O número é da empresa, sem método publicado, e o slide não separa o que veio da análise de dados do que pode ter vindo de outras mudanças em nove anos de operação.

O terceiro tipo foi o que mais nos interessou, porque vem de um auditor. Em 2022, o GAO, órgão de auditoria do Congresso americano, examinou o uso de manutenção preditiva nas forças armadas dos Estados Unidos, que gastam quase US$ 90 bilhões por ano mantendo seus equipamentos.⁸ O Exército informou ter evitado US$ 215 milhões em custos e realocado 5.324 horas de manutenção em seis anos de uso nos helicópteros UH-60, com queda de 12% a 23% no custo de peças em três modelos de helicóptero. A Marinha estimou ter evitado cerca de 29 pousos de emergência nos helicópteros H-1 ao trocar rolamentos contaminados ou trincados antes da falha. A Força Aérea relatou 84 horas de manutenção não programada eliminadas em oito cargueiros C-5.

A frase seguinte do relatório é a que muda a leitura. Segundo o GAO, esses exemplos vêm de experiência limitada, e as forças armadas, em geral, não têm medidas estabelecidas para avaliar o resultado da manutenção preditiva. Quem atribui a melhora ao método são os próprios profissionais de manutenção, com base no que conhecem dos indicadores que já acompanhavam. A política do Departamento de Defesa sobre o tema existe desde 2002.

Por que é difícil medir

Parte da dificuldade está no que se põe na conta. Um estudo sobre monitoramento de motores mostra que o resultado financeiro da manutenção preditiva depende da qualidade do alerta: quando há alarmes falsos ou falhas não detectadas em excesso, o custo de responder a eles pode superar o ganho.⁹ Dois operadores com a mesma ferramenta podem ter resultados opostos.

Outra parte está em quem faz a conta, e o táxi-aéreo americano dá um exemplo. O segmento tem cerca de 1.850 operadores e 11.760 aeronaves, e cerca de 30% desses operadores trabalham com um único piloto. Desde 2016, o NTSB, órgão que investiga acidentes nos Estados Unidos, recomenda que todos eles gravem dados de voo e os analisem de forma rotineira. Quem decide se isso vira obrigação é a FAA, a autoridade de aviação civil, e para criar uma regra ela precisa mostrar que o benefício supera o custo.¹⁰

Foi nessa conta que a recomendação parou. A FAA já tinha feito o cálculo em 2014 para um grupo menor, o das ambulâncias aéreas por helicóptero: custo de cerca de US$ 20,4 milhões em dez anos e benefício estimado de zero dólar. O zero não significa que a medida seja inútil; a própria FAA diz concordar com os benefícios de ter mais dados de voo. Nesse tipo de avaliação, o benefício é o valor das mortes e dos ferimentos que a regra evitaria, e a FAA concluiu que a exigência não traria benefício quantificável. Sem esse número, a regra não se sustenta no papel. O NTSB discorda: aponta sete acidentes, com 53 mortes, que considera relevantes para o tema, e mantém a recomendação aberta.

O que os operadores dizem ganhar no dia a dia fica fora dessa conta. Em um painel do NTSB em 2020, participantes relataram gastar menos com manutenção e combustível depois de identificar nos dados, e corrigir, operações fora do padrão que também geram custo de manutenção, como a excedência de velocidade com flape estendido.

O argumento mais antigo vem da própria aviação

Se a medição é fraca, por que tanta gente séria do setor aposta nessa direção? A resposta que encontramos tem quase cinquenta anos. Nos anos 1970, a United Airlines vinha estendendo os intervalos de revisão dos seus aviões e precisava saber se isso piorava a confiabilidade. Para cada item, seus engenheiros traçaram a probabilidade de falha conforme a idade, e as curvas caíram em seis formatos. O resultado foi publicado em 1978 por Stanley Nowlan e Howard Heap, num relatório para o Departamento de Defesa.¹¹

Os seis padrões, com o percentual dos itens analisados em cada um: curva da banheira, com falhas no início, período estável e desgaste no fim (4%); probabilidade estável ou em leve alta, seguida de desgaste pronunciado (2%); aumento gradual, sem fase de desgaste definida (5%); probabilidade baixa quando o item é novo, que sobe rápido e fica constante (7%); probabilidade constante em qualquer idade (14%); e falhas no início, seguidas de probabilidade constante ou em alta muito lenta (68%).

Para a maioria dos itens, a idade não avisava quando a falha viria, e um limite de horas não melhoraria o desempenho deles. Os padrões com desgaste claro apareciam sobretudo em itens simples, como pneus, pastilhas de freio e peças da estrutura. Para esses, o relatório considera que um limite de idade pode fazer sentido. Para o restante, ele aponta outra tarefa: inspecionar para detectar a falha em formação.

Ao ir ao relatório original, notamos um detalhe. O documento da IATA cita o mesmo achado como “cerca de 89% das falhas funcionais”. O que Nowlan e Heap escrevem é que 89% dos itens analisados não tinham fase de desgaste. Uma coisa não se converte na outra: um item pode responder por muitas falhas ou por quase nenhuma.

O que dá para afirmar

Que a tomada de decisão com dados está associada a mais produtividade, e que há boa evidência de que é causa, está demonstrado para empresas em geral. Na manutenção de aeronaves, o que temos são estimativas sem método, casos contados por quem os viveu e um auditor dizendo que os casos existem e que ninguém os mede direito. Os casos apontam na mesma direção, e nenhum deles tem a força do estudo de onde partimos.

Uma leitura nossa, que é hipótese: os estudos gerais e as fontes de aviação descrevem a mesma condição com palavras diferentes. Lá, a análise preditiva só rendeu com gente formada, infraestrutura e processo. Aqui, o ganho depende da qualidade do alerta e de alguém acompanhar o resultado. Em nenhum dos dois casos o dado sozinho entrega alguma coisa.

A IATA resume a aposta do setor em duas frases do mesmo documento: há custos iniciais, mas em geral o ganho potencial compensa o esforço, e cada aplicação deve ser examinada quanto à viabilidade.⁶

Metodologia e fontes

Este artigo não traz dados próprios. Todos os números são citados dos documentos abaixo, com a página em que aparecem. Números de fabricantes, operadores e associações são apresentados como declarações de quem os publicou. A busca por estudos comparativos na manutenção aeronáutica foi feita em 4 de outubro de 2026 em fontes públicas; não encontrar não prova que não existam. Quase toda a evidência de aviação vem de companhias aéreas grandes e de forças armadas dos Estados Unidos.

1. Provost, F.; Fawcett, T. Data Science para Negócios. Alta Books, 2016. books.google.com
2. Brynjolfsson, E.; Hitt, L. M.; Kim, H. H. “Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance?”. ICIS 2011 Proceedings; versão SSRN, pp. 16, 23, 25–28 e 31. papers.ssrn.com/abstract=1819486
3. Brynjolfsson, E.; McElheran, K. “Data in Action: Data-Driven Decision Making in U.S. Manufacturing”. US Census Bureau, CES-WP-16-06, 2016, pp. 2, 4, 12 e 23–24. census.gov
4. Brynjolfsson, E.; Jin, W.; McElheran, K. “The power of prediction: predictive analytics, workplace complements, and business performance”. Business Economics, 56(4), 2021. doi.org/10.1057/s11369-021-00224-5
5. IATA. Maintenance Cost data eXchange (MCX): Executive Report, FY2024 Data, versão pública, janeiro de 2026, pp. 12 e 19. Valores de mercado da Oliver Wyman. iata.org
6. IATA. From Aircraft Health Monitoring to Aircraft Health Management, white paper, 2ª edição, novembro de 2023, pp. 3, 7 e 15. iata.org
7. Stern, S. (Delta TechOps). “Changing the Aviation Landscape: Reliability Programs and Cabin Interiors”. IATA Maintenance Cost Conference, 18 de setembro de 2019, slide 6. iata.org
8. US Government Accountability Office. Military Readiness: Actions Needed to Further Implement Predictive Maintenance on Weapon Systems, GAO-23-105556, dezembro de 2022, pp. 1 e 26–28. gao.gov/products/GAO-23-105556
9. Koops, L. G. “ROC-based Business Case Analysis for Predictive Maintenance: Applications in Aircraft Engine Monitoring”. PHM Society European Conference, 4(1), 2018. doi.org/10.36001/phme.2018.v4i1.460
10. US National Transportation Safety Board. Safety and Industry Data Improvements for Part 135 Operations, AIR-24-03, julho de 2024, pp. 1 e 33–36. ntsb.gov
11. Nowlan, F. S.; Heap, H. F. Reliability-Centered Maintenance. United Airlines, para o US Department of Defense, dezembro de 1978 (DTIC AD-A066579), pp. 45–47. apps.dtic.mil