Toda rede que já discutiu onde abrir a próxima unidade conhece essa cena: alguém na sala aponta uma cidade porque "conhece bem a região", outra pessoa puxa um dado de IBGE isolado, e a decisão final acaba sendo uma mistura de intuição, relação comercial e sorte. O problema não é falta de dado público no Brasil — é a dificuldade de transformar centenas de fontes fragmentadas em um único critério comparável entre milhares de municípios.
Foi esse o problema que nos propusemos a resolver com o GeoInsight, a ferramenta de inteligência territorial que hoje roda no TSR LAB. Este estudo explica, em linhas gerais, como o modelo funciona por trás da calculadora de potencial que você pode testar no site.
O problema de negócio
Decisões de expansão física — abrir uma loja, uma clínica, uma unidade de franquia — custam caro para errar. O aluguel, a contratação de equipe e o investimento em instalação normalmente têm retorno projetado para 12 a 36 meses. Um município escolhido pelo critério errado significa esse capital preso em uma região que nunca vai gerar o volume de demanda esperado.
O objetivo do GeoInsight não é substituir a visita de campo ou o conhecimento local — é reduzir a lista de candidatos de centenas de municípios para um punhado com maior probabilidade de sucesso, usando critério estatístico consistente em vez de achismo.
Os dados que usamos
O modelo combina três fontes públicas, cada uma cobrindo uma dimensão diferente do território:
- Censo Demográfico 2022 (IBGE) — renda, densidade populacional e perfil domiciliar por setor censitário, a menor unidade geográfica oficial do país.
- CNEFE (Cadastro Nacional de Endereços para Fins Estatísticos) — a malha de endereços que permite localizar geograficamente a informação censitária com precisão de rua, não só de bairro.
- OpenStreetMap — pontos de interesse (comércio, serviços, concorrência, infraestrutura urbana) que ajudam a entender a dinâmica local além dos números do Censo.
Sozinha, cada uma dessas fontes já é útil. Cruzadas, elas permitem descrever cada um dos aproximadamente 103 mil setores censitários do Estado de São Paulo — hoje o recorte geográfico do modelo — com um nível de detalhe que nenhuma delas oferece isoladamente.
A metodologia, em linhas gerais
1. Segmentação por perfil socioeconômico
O primeiro passo é agrupar os setores censitários em clusters com características semelhantes de renda, densidade populacional e perfil domiciliar — o que chamamos internamente de personas territoriais. Isso transforma uma tabela de milhões de linhas em um número pequeno de perfis interpretáveis, cada um com um significado prático (por exemplo, regiões de renda média-alta e alta densidade comercial).
2. Agregação municipal
Os setores são então agregados por município, o que permite calcular um cluster dominante e uma renda mediana por cidade — a visão que você vê primeiro ao abrir o mapa no TSR LAB.
3. Cálculo de potencial
Para transformar essa caracterização em uma resposta acionável, o modelo compara cada município aos demais 644 municípios do estado em quatro eixos diretos: renda mediana, densidade comercial, cobertura de serviços e vulnerabilidade socioeconômica. Cada eixo entra como percentil — a posição relativa do município naquela dimensão específica — e os quatro se combinam num score de potencial de 0 a 100.
Um cuidado técnico que vale registrar: municípios pequenos, com poucos setores censitários, têm médias naturalmente mais instáveis — um único setor fora da curva pode distorcer a média inteira. Para não deixar cidades minúsculas subirem no ranking por acaso estatístico, aplicamos uma correção (shrinkage) que aproxima a estimativa de municípios com poucos dados da média geral do estado, na proporção da sua incerteza.
Exemplo real
São Caetano do Sul, por exemplo, recebe hoje um score de potencial 96/100 ("Potencial Muito Alto"), com risco territorial estimado de apenas 0,2% e renda mediana estimada de R$ 4.649. Esse número não é ilustrativo — é o que a calculadora devolve agora, ao vivo, para qualquer cidade de SP que você testar.
O que o modelo não faz
Vale ser direto sobre os limites: o GeoInsight trabalha com dados públicos e proxies estatísticos, não com dados transacionais reais de cada negócio. Ele não substitui due diligence local, negociação de ponto comercial ou conhecimento de quem já opera na região — ele existe para reduzir o espaço de busca e trazer critério comparável para a primeira triagem, antes de investir tempo de campo nos candidatos mais promissores.
Onde isso vai
O recorte atual cobre o Estado de São Paulo. O próximo passo natural é evoluir de um modelo descritivo — que mostra o que cada território é hoje — para um modelo preditivo de demanda, capaz de projetar potencial futuro, não apenas descrever o presente. Esse é o próximo estudo desta série.
Se este estudo trata de onde expandir, vale complementar com a pergunta de quem, uma vez que a operação já está rodando: nosso estudo sobre segmentação de clientes por RFV e clusterização mostra, com dado real, como identificar os clientes de maior valor dentro da própria base — território e comportamento são duas lentes complementares, não concorrentes.
Quer ver o modelo funcionando? O mapa interativo com os ~103 mil setores censitários de São Paulo está disponível no TSR LAB, e a calculadora de potencial por cidade pode ser testada diretamente na página inicial.