MarketModeler — modelos causais e simulação
Como montar o grafo de estoques, fluxos e variáveis, rodar a simulação temporal e ler a série no tempo.
O MarketModeler é o app de modelos causais do Hub. Ele serve para explicitar como você acredita que um mercado funciona — quais variáveis alimentam quais — e então simular o comportamento desse sistema ao longo do tempo.
Vocabulário do modelo
| Componente | O que é |
|---|---|
| Estoque | Quantidade que acumula (base instalada de clientes, capacidade, caixa) |
| Fluxo | Taxa que aumenta ou reduz um estoque (novos clientes por mês, churn) |
| Variável auxiliar | Cálculo intermediário (preço médio, taxa de conversão) |
| Constante | Parâmetro fixo do cenário (tamanho da população-alvo) |
| Aresta | A relação causal entre dois componentes |
A soma disso é um grafo: os nós são os componentes, as arestas dizem quem influencia quem.
Montar o modelo no canvas
- Arraste componentes para o canvas e nomeie cada um.
- Ligue-os com arestas na direção da causalidade (de quem causa para quem é afetado).
- Defina os valores iniciais dos estoques e as expressões dos fluxos e variáveis auxiliares.
- Ajuste o layout até o desenho ficar legível — o canvas é também o material de conversa com o cliente.
[CAPTURA DE TELA] Canvas do MarketModeler com estoques, fluxos e arestas conectadas.
Simular
No painel de simulação, defina o horizonte e o passo de tempo e rode. O gráfico temporal mostra a trajetória dos componentes escolhidos período a período. É aí que o modelo revela comportamentos que a intuição não antecipa: crescimento que satura, ciclos, atrasos entre causa e efeito.
Boas práticas
- Comece pequeno: cinco a dez componentes que expliquem o essencial. Modelos grandes impressionam e não convencem.
- Cada expressão precisa de justificativa. Documente a origem de cada parâmetro (dado do WebParser, pesquisa do PrimaryInput, benchmark público).
- Rode variações de parâmetro para ver o que de fato move o resultado, e leve isso para o cliente.
Perguntas frequentes
Modelo dá o tamanho exato do mercado? Não. Ele dá ordem de grandeza e, principalmente, a estrutura de dependência.
Qual a diferença em relação ao ScenarioPlanner? Aqui a relação causal é explícita e determinística; lá o foco é incerteza probabilística.
Posso alimentar variáveis com dados do WebParser? Sim, use os dados estruturados das fontes como parâmetros.