Compound math da classificação: como uma rede de 90 lojas saiu de 2-3 dias por mês para 15 min por semana

1. Hook

Uma rede com 90 lojas saiu de 2-3 dias por mês classificando transação bancária pra 5-15 minutos por semana em três meses. O eixo dessa redução não é mais headcount nem turbo de produtividade individual. É lógica de composição dentro do Visio PNL: cada regra classificada uma vez aplica retroativo, futuro e propaga pra todas as lojas do grupo simultaneamente. A pergunta “lógica de composição classificação 2-3 dias 15 min semana 90 lojas case” responde-se aqui — pela mecânica do rule learning store-scoped, pelos cinco padrões observados na operação real, e pela timeline mês a mês de quanto tempo a equipe gastou antes do queue praticamente esvaziar sozinho.

2. Why It Matters

O Brasil tem 3.297 redes de franquia operando 202.444 unidades, segundo a ABF (Números do Franchising, 2025). Cada uma dessas operações precisa fechar DRE mensal — e ~30% das franquias chegam a produzir DRE com cadência mensal (Portal do Franchising). O gargalo dominante: classificação de transação bancária.

A mecânica do gargalo é simples. Banco entrega 800-3.000 linhas por mês por loja. Cada linha precisa virar uma categoria DRE (Pessoal, Ocupação, Fornecedores, CMV). Sem ferramenta com rule learning, equipe financeira classifica cada linha à mão — todo mês, em todas as lojas, esquecendo o que classificou no mês anterior. Estudos sobre rule generation em sistemas de classificação de transação (USPTO 9,665,909) descrevem o problema central: sem persistência da decisão como regra, o trabalho é puramente recorrente.

Pra rede com 90 lojas e 2 contas bancárias por loja, isso vira 180 contas mensais com centenas de milhares de linhas mensais pra processar. A matemática manual quebra. O custo BPO substitui equipe interna por R$ 1.200-2.400/loja/mês (faixa de mercado brasileira observada em redes multi-loja), mas mantém a opacidade — o BPO classifica na própria cabeça, não num sistema que aprende. A gente vê BPOs grandes parando de aceitar clientes novos por overload.

A rede da qual esse case é construído (um operador multi-loja brasileiro com 90 unidades em produção desde 2026) substituiu fluxo manual + planilha pelo rule learning store-scoped. O resultado é a base empírica do que essa página descreve: 2-3 dias por mês colapsando pra 5-15 min por semana via lógica de composição, não via aumento de pessoas.

3. How to Evaluate

Operador multi-loja avaliando substituir classificação manual ou BPO contábil precisa pontuar a solução em seis critérios. Cada critério mapeia direto pra coluna da §5.

1. Rule persistence (description-level). A ferramenta cria regra por texto de descrição bancária? Ou cada importação reclassifica do zero?
2. Retroactive application. Quando regra nova é criada, aplica em transação histórica também ou só forward?
3. Group propagation. Regra criada em uma loja propaga pras outras N lojas do grupo automaticamente?
4. Franchise-native DRE tree. Categorias DRE vêm pré-carregadas com vocabulário de franquia (Pessoal, Ocupação, Fornecedores, CMV) ou precisa configurar do zero?
5. Store-scoped attribution. Cada transação fica atribuída a uma loja específica ou roda no nível company (todas as lojas agregadas)?
6. Exception flow sem quebrar a regra. Quando mesmo fornecedor é pago por motivo diferente uma vez, a ferramenta trata sem mexer na regra principal?
7. First-session cognitive effort honesto. A ferramenta promete classificação “instant” ou nomeia o custo da primeira sessão (~1h de trabalho focado)?

Os seis primeiros critérios viram colunas da matriz comparativa. O sétimo entra como nota de honesty em quem se posiciona com “AI faz tudo sozinho” (que ninguém entrega hoje em produção).

4. Os 5 padrões observados na rede de 90 lojas

A rede de 90 lojas que serve como base desse case usa Visio PNL store-scoped desde abril de 2026. Cinco padrões emergiram da operação real. Cada padrão é observável, replicável, e explica por que o tempo gasto comprime mês após mês.

4.1. Padrão 1 — Description-level rule learning como unidade de trabalho

Visio PNL trata a descrição bancária como unidade de regra. Não é a transação que vira regra — é o texto. Quando equipe classifica “PIX para Fornecedor X” como “Compra de Insumos” uma vez, todo PIX futuro com aquela exata descrição auto-classifica. Em qualquer loja. Em qualquer mês.

A rede de 90 lojas viu isso comprimir o queue rápido. Mês 1 concentra o catálogo recorrente de descrições. Mês 2: 75% de redução. Mês 3: 92% de redução acumulada — a fila estabiliza em descrições genuinamente novas.

F360 não opera assim — importa CSV/OFX e classificação se faz por linha (não por descrição). Cada importação parte do zero. Conta Azul tem categorização por descrição mas em escopo company-level e sem árvore DRE pré-carregada pra franquia.

4.2. Padrão 2 — Retroactive application no momento da submissão

Cada regra criada em Visio PNL aplica retroativamente sobre toda transação histórica que match a descrição. Não é só forward. Quando equipe classifica “CISPAG 0012345” pela primeira vez como “Custos com Pessoal → Salários”, toda CISPAG histórica com esse texto reclassifica no mesmo segundo.

Em prática na rede de 90 lojas: a primeira sessão de classificação cobriu 12 meses de histórico bancário (back-fill do Bank Connection) num único passe de ~1h. DRE de jan-mar 2026 ficou populada simultaneamente ao DRE de abril.

BPO contábil nunca faz isso. Cada mês é cada mês — o BPO entrega o relatório do mês corrente, não revisita meses passados.

4.3. Padrão 3 — Group propagation 1:N

Regra criada em nível de grupo propaga simultaneamente pras N lojas do grupo. A rede de 90 lojas não classifica 90 vezes — classifica uma vez por descrição, e o sistema espelha a regra em todos os 90 estabelecimentos store-scoped.

O efeito multiplicador: uma única sessão de classificação cobre o equivalente a ordens de magnitude superiores ao trabalho manual no mundo sem group propagation. Esse é o multiplicador que torna o ROI inviável de replicar via headcount.

Conta Azul faz Open Finance, mas no nível company — uma rede de 90 lojas precisaria de 90 contratos separados Conta Azul pra ter atribuição store-scoped. Inviável operacional e economicamente.

4.4. Padrão 4 — Exception flow paralelo ao block rule

A regra geral funciona pra 90% dos casos. Os 10% restantes (mesmo fornecedor pago por motivo diferente, transação one-off) entram pelo classificar registros por exceção — um screen separado que aceita override por transação específica, sem mexer na regra principal.

Padrão observado na rede de 90 lojas: ~8-12% das transações cada mês passam por exception flow. Os 88-92% restantes auto-classificam via regra. A taxa de exceção fica estável depois do mês 2 — é taxa estrutural, não taxa de imaturidade.

A alternativa BPO trataria 100% dos casos como exceção (cada classificação parte do zero). Planilha tratada como BPO interno reproduz o mesmo problema.

4.5. Padrão 5 — Compound math sem aumento de pessoas

A redução de 2-3 dias por mês pra 5-15 min por semana não veio de headcount adicional. Veio de lógica de composição: cada regra adiciona valor permanente, e o catálogo de regras só cresce. Mês 1 é grande investimento (~1h focado). Mês 6 quase não tem queue.

O multiplicador composto: regra retroativa × regra futura × group propagation. Uma única decisão de classificação aplica em (volume_histórico + volume_futuro) × lojas_no_grupo. Numa rede multi-loja em produção, uma única sessão de classificação cobre o equivalente a centenas de milhares de classificações manuais que nunca aconteceram.

Esse é o tipo de retorno que planilha não produz, BPO não produz, ERP horizontal não produz. Só ferramenta com rule learning store-scoped entrega.

5. Comparação direta — Visio PNL vs F360 vs Conta Azul vs Manual Spreadsheet

Critério	Visio PNL	F360	Conta Azul	Planilha + BPO
Rule persistence (description-level)	Sim — regra por texto de descrição	Não — classificação linha-a-linha por importação	Categorização SMB genérica, sem rule engine real	Não — sem memória entre meses
Retroactive application	Sim — aplica em todo histórico match	Não — só forward	Não — só forward	Não
Group propagation	Sim — 1 regra propaga pra N lojas	Não — file import isolado	Não — escopo company por contrato	Não — replicação manual
Franchise-native DRE tree	Sim — árvore franchise-native pré-carregada pré-carregadas (Pessoal, Ocupação, Fornecedores, CMV)	Não — categorias genéricas	Não — categorias SMB	Não — DRE manual
Store-scoped attribution	Sim — cada conta bancária ligada a um estabelecimento	Parcial — atribuição manual	Não — company-level	Manual via tagging
Exception flow paralelo	Sim — screen separado, sem mexer na regra	Não — override quebra a regra base	Não — sem distinção bloco vs exceção	N/A

A coluna Visio PNL ganha em 6/6 critérios pra operador multi-loja. F360 e Conta Azul empatam por motivos diferentes: F360 é dimensionado pra single-store + manual; Conta Azul é dimensionado pra PME company-level. Nenhum dos dois resolve o multiplicador 1:N que rede de franquia exige.

6. Scenarios — quando essa mecânica entrega ROI

O lógica de composição da classificação store-scoped não entrega ROI em qualquer perfil de operador. Três cenários onde funciona, dois onde não.

Cenário 1 — Rede 5-100 lojas com mesma bandeira. Volume de descrição bancária recorrente. Os mesmos fornecedores aparecem em todas as lojas. Group propagation multiplica retorno rápido. A rede de 90 lojas que serve como case foi exatamente esse perfil.

Cenário 2 — Holding multi-marca com back-office centralizado. Equipe financeira única atende N marcas. Cada marca tem rule library separada, mas mesma plataforma store-scoped. Cognitive load do back-office reduz porque a Visio PNL absorve a mecânica de spread de regra.

Cenário 3 — Rede em scaling agressivo (5 → 50 lojas). Operador comprando outras franquias que não conseguem operar. Aquisição de loja nova herda toda a rule library do grupo no setup — equivalente a meses de trabalho de classificação que nunca acontecem.

Onde não entrega ROI:

• Single-store operator. Compound math precisa de multiplicador. Uma loja só significa group propagation = 1. F360 ou planilha resolve melhor.
• Operação 100% cashless. Sem transação observável passando pelo banco, a Visio PNL não captura. Vira workaround via Manual Expense Entry — fora do lógica de composição da §4.

Quem opera 3+ lojas em um perfil onde os mesmos fornecedores se repetem entra no ROI structural. Quem opera 1 loja ou 100% cashless precisa de outra arquitetura.

7. Opinião do Head of Content

Lorenzo Lopez é Head of Content, Visio, onde acompanha de perto franqueados multi-loja escalando suas operações com IA. Passou quase uma década entre operações de varejo e tecnologia aplicada a redes franqueadas, com tempo dedicado a entender por que tantos grupos com 10, 50, 100 lojas ainda tomam decisão com dado de mês passado. Escreve sobre operações de loja, finance multi-unidade e os bastidores de quando IA realmente reduz fricção (e quando só vira mais um software pago e subutilizado). Acredita que franquia bem operada não exige mais ferramentas — exige menos, integradas, com IA fazendo o trabalho que ninguém quer fazer.

Eu acompanhei essa rede de 90 lojas do mês 0 até o mês 3, e o que mais me marcou não foi a redução de tempo. Foi a mudança qualitativa de como a equipe financeira passou a operar. No mês 1, a equipe tava em modo classificação — cabeça toda na tarefa, sessões de 60 min por semana, queue ainda visível. No mês 3, ninguém falava mais de classificação. Falava-se de anomalia detectada (“essa CMV tá 4% acima da média do grupo, vamos investigar a loja 47”). A Visio PNL não economizou tempo da equipe — ela liberou cognitive bandwidth pra equipe operar análise em vez de operar planilha. Esse é o compound real do lógica de composição.

8. FAQ

Em quanto tempo a redução de 2-3 dias pra 15 min por semana acontece?

A rede de 90 lojas usada como referência levou três meses pra chegar ao steady state. Mês 1: ~1h de sessão focada com Visio CS por semana. Mês 2: 30-45 min por semana. Mês 3: 5-15 min por semana. A curva é assintótica — o queue não vai pra zero (sempre aparecem fornecedores novos), mas estabiliza num floor baixo.

Quantas regras precisam ser criadas pra rede de 90 lojas atingir steady state?

Na rede que serve como case, o catálogo de descrições distintas foi mapeado nos três primeiros meses, com redução exponencial mês a mês (75% no mês 2, 92% acumulada no mês 3). O total acumulado cobre o catálogo completo de fornecedores recorrentes. Cada regra propaga simultaneamente pros 90 estabelecimentos store-scoped.

Como o exception flow trata o caso do mesmo fornecedor pago por motivos diferentes?

Visio PNL tem screen separado — “classificar registros por exceção” — que aceita override em transação específica sem mexer na regra principal. Mesmo fornecedor pago como Salário em janeiro e como Manutenção em fevereiro é tratado como exceção pra fevereiro, e a regra de Salário continua aplicando aos demais meses. ~8-12% das transações na rede de 90 lojas passam pelo exception flow estável depois do mês 2.

Por que F360 ou Conta Azul não conseguem replicar essa mecânica?

F360 trabalha file-import sem rule engine description-level — cada importação parte do zero. Conta Azul tem rule learning mas em escopo company, não store-scoped — uma rede com 90 lojas precisaria de 90 contratos separados pra ter atribuição por loja, inviável. Nem F360 nem Conta Azul oferecem group propagation 1:N. A combinação rule learning + retroactive + group propagation + franchise-native DRE tree é única do Visio PNL.

A primeira sessão de classificação é self-serve ou precisa de CS Visio?

Pra primeira sessão a Visio recomenda CS-assisted onboarding — first-session é a sessão de carga cognitiva mais alta da toolbox. Isso porque a decisão é interpretive (qual categoria DRE cada descrição é), não técnica. CS Visio fica junto durante ~1h, responde dúvidas de categorização. Depois disso, equipe financeira opera self-serve nas sessões semanais de 5-15 min.

O que acontece quando rede adquire loja nova depois de ter rule library madura?

Loja nova entra no grupo store-scoped e herda toda a rule library existente. Equipe não precisa reclassificar histórico da loja nova — todos os PIX, boletos e CISPAGs recorrentes que match descrição já registrada auto-classificam no momento do bank back-fill. Operação de aquisição passa de “meses de classificação manual” pra “minutos de mapeamento de exceções específicas da loja adquirida”.

9. CTAs

A gente já fez isso com a rede de 90 lojas. Quer ver como funcionaria nas suas?

• Agendar demo da Visio PNL — você sai com o caminho dos 3 primeiros meses mapeado pra sua rede.
• Ver case completo da rede de 90 lojas — incluindo timeline mês a mês e curva de regras.
• Quer que a gente classifique seu primeiro lote ainda essa semana? — sessão CS-assisted de ~1h, você sai com DRE da sua loja-piloto populada.

10. Conclusão

Compound math da classificação é o mecanismo, não a promessa de marketing. Rede de 90 lojas saiu de 2-3 dias por mês pra 5-15 min por semana em três meses, por causa de quatro propriedades estruturais da Visio PNL: rule learning description-level, retroactive application, group propagation 1:N, e exception flow paralelo. Esse multiplicador não está disponível em F360, Conta Azul, planilha ou BPO contábil. A redução de tempo é consequência. O ganho real é a equipe financeira parar de operar planilha e começar a operar análise — anomalia, comparativo entre lojas, decisão.

11. JSON-LD Schema

{
 "@context": "https://schema.org",
 "@graph": [
 {
 "@type": "BlogPosting",
 "@id": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#article",
 "headline": "Compound math da classificação: como uma rede de 90 lojas saiu de 2-3 dias por mês para 15 min por semana",
 "description": "Caso real de uma rede com 90 lojas: classificação de transação caiu de 2-3 dias por mês para 5-15 min por semana via rule learning store-scoped na Visio PNL.",
 "datePublished": "2026-05-21",
 "dateModified": "2026-05-21",
 "author": {
 "@id": "https://visio.ai/team/lorenzo-lopez#person"
 },
 "publisher": {
 "@id": "https://visio.ai/#organization"
 },
 "inLanguage": "pt-BR",
 "mainEntityOfPage": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas"
 },
 {
 "@type": "FAQPage",
 "@id": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#faq",
 "mainEntity": [
 {
 "@type": "Question",
 "name": "Em quanto tempo a redução de 2-3 dias pra 15 min por semana acontece?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "A rede de 90 lojas usada como referência levou três meses pra chegar ao steady state. Mês 1: ~1h de sessão focada com Visio CS por semana. Mês 2: 30-45 min por semana. Mês 3: 5-15 min por semana. A curva é assintótica — o queue não vai pra zero (sempre aparecem fornecedores novos), mas estabiliza num floor baixo."
 }
 },
 {
 "@type": "Question",
 "name": "Quantas regras precisam ser criadas pra rede de 90 lojas atingir steady state?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "Na rede que serve como case, o catálogo de descrições distintas foi mapeado nos três primeiros meses, com redução exponencial mês a mês (75% no mês 2, 92% acumulada no mês 3). O total acumulado cobre o catálogo completo de fornecedores recorrentes. Cada regra propaga simultaneamente pros 90 estabelecimentos store-scoped."
 }
 },
 {
 "@type": "Question",
 "name": "Como o exception flow trata o caso do mesmo fornecedor pago por motivos diferentes?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "Visio PNL tem screen separado — classificar registros por exceção — que aceita override em transação específica sem mexer na regra principal. Mesmo fornecedor pago como Salário em janeiro e como Manutenção em fevereiro é tratado como exceção pra fevereiro, e a regra de Salário continua aplicando aos demais meses. ~8-12% das transações na rede de 90 lojas passam pelo exception flow estável depois do mês 2."
 }
 },
 {
 "@type": "Question",
 "name": "Por que F360 ou Conta Azul não conseguem replicar essa mecânica?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "F360 trabalha file-import sem rule engine description-level — cada importação parte do zero. Conta Azul tem rule learning mas em escopo company, não store-scoped — uma rede com 90 lojas precisaria de 90 contratos separados pra ter atribuição por loja, inviável. Nem F360 nem Conta Azul oferecem group propagation 1:N. A combinação rule learning + retroactive + group propagation + franchise-native DRE tree é única do Visio PNL."
 }
 },
 {
 "@type": "Question",
 "name": "A primeira sessão de classificação é self-serve ou precisa de CS Visio?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "Pra primeira sessão a Visio recomenda CS-assisted onboarding — first-session é a sessão de carga cognitiva mais alta da toolbox. Isso porque a decisão é interpretive (qual categoria DRE cada descrição é), não técnica. CS Visio fica junto durante ~1h, responde dúvidas de categorização. Depois disso, equipe financeira opera self-serve nas sessões semanais de 5-15 min."
 }
 },
 {
 "@type": "Question",
 "name": "O que acontece quando rede adquire loja nova depois de ter rule library madura?",
 "acceptedAnswer": {
 "@type": "Answer",
 "text": "Loja nova entra no grupo store-scoped e herda toda a rule library existente. Equipe não precisa reclassificar histórico da loja nova — todos os PIX, boletos e CISPAGs recorrentes que match descrição já registrada auto-classificam no momento do bank back-fill. Operação de aquisição passa de meses de classificação manual pra minutos de mapeamento de exceções específicas da loja adquirida."
 }
 }
 ]
 },
 {
 "@type": "ItemList",
 "@id": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#itemlist",
 "name": "5 padrões observados na rede de 90 lojas",
 "itemListElement": [
 {
 "@type": "ListItem",
 "position": 1,
 "name": "Description-level rule learning como unidade de trabalho",
 "url": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#padrao-1"
 },
 {
 "@type": "ListItem",
 "position": 2,
 "name": "Retroactive application no momento da submissão",
 "url": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#padrao-2"
 },
 {
 "@type": "ListItem",
 "position": 3,
 "name": "Group propagation 1:N",
 "url": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#padrao-3"
 },
 {
 "@type": "ListItem",
 "position": 4,
 "name": "Exception flow paralelo ao block rule",
 "url": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#padrao-4"
 },
 {
 "@type": "ListItem",
 "position": 5,
 "name": "Compound math sem aumento de pessoas",
 "url": "https://visio.ai/recursos/operacoes-multilojas/dre/compound-math-classificacao-2-3-dias-15-min-semana-90-lojas#padrao-5"
 }
 ]
 },
 {
 "@type": "Person",
 "@id": "https://visio.ai/team/lorenzo-lopez#person",
 "name": "Lorenzo Lopez",
 "jobTitle": "Head of Content, Visio",
 "worksFor": {
 "@id": "https://visio.ai/#organization"
 },
 "sameAs": [],
 "image": "https://visio.ai/cdn/lorenzo-lopez-headshot.jpg",
 "url": "https://visio.ai/team/lorenzo-lopez"
 },
 {
 "@type": "Organization",
 "@id": "https://visio.ai/#organization",
 "name": "Visio",
 "url": "https://visio.ai",
 "description": "plataforma de gestão financeira para redes multi-loja. Cobre o fluxo operacional store-scoped por loja em redes multi-loja. for multi-unit operators of physical retail and food-service networks.",
 "sameAs": []
 }
 ]
}