Aprendizado supervisionado é o regime em que o modelo aprende a partir de exemplos com a resposta certa junto — milhares de e-mails marcados como spam ou não, milhares de leads marcados como convertidos ou não. É a forma dominante de aprendizado de máquina aplicada em marketing: previsão de churn, score de propensão, classificação de intenção e moderação de conteúdo são todos casos dele. O nome vem daí: existe uma “supervisão”, um gabarito que orienta o aprendizado. E é justamente essa dependência que define seu limite — o teto de qualidade do modelo é a qualidade do gabarito. Uma auditoria dos dez conjuntos de dados mais usados na área encontrou pelo menos 3,3% de rótulos errados em média, com 5,83% no ImageNet. Se as referências da área erram nessa proporção, a base montada às pressas numa empresa erra mais.
Os três regimes, e onde cada um serve
| Regime | Como aprende | Caso típico em marketing |
|---|---|---|
| Supervisionado | Exemplos com resposta certa | Score de propensão, churn, classificação |
| Não supervisionado | Só os dados, sem resposta | Segmentação de base, agrupamento de clientes |
| Por reforço | Recompensa por acerto ao longo do tempo | Otimização de sequência de contato, precificação |
Vale notar que os grandes modelos de linguagem combinam os três em momentos diferentes do treino — não são um regime só.
⚠️ O gargalo é o rótulo, não o algoritmo
Projetos de aprendizado supervisionado costumam ser orçados pelo esforço de modelagem e naufragam na rotulagem. É a parte cara, lenta e chata — e a que determina o resultado.
Há uma consequência do estudo citado que mostra o tamanho do problema: corrigindo os rótulos errados, modelos menores passam a superar modelos maiores que antes pareciam melhores. Parte da vantagem do modelo “superior” existia porque ele havia aprendido a reproduzir os erros do gabarito.
Traduzindo para uma operação real: se o critério de “lead qualificado” nunca foi escrito, cada pessoa que rotulou usou o seu. O modelo então aprende a média das opiniões da equipe — não uma definição de negócio.
O que isso muda na prática
- Escreva o critério antes de rotular. Uma página definindo o que conta como positivo, com casos de fronteira resolvidos. Sem isso, o rótulo mede quem rotulou.
- Meça a concordância entre pessoas. Dê os mesmos 100 exemplos a dois rotuladores. Se discordam em 15%, nenhum modelo treinado ali passa desse teto.
- Aproveite o rótulo que já existe. Compra, cancelamento, resposta a e-mail e devolução são rótulos naturais registrados pelo sistema — e mais confiáveis que julgamento retroativo.
- Considere se precisa treinar. Muitas tarefas de classificação hoje se resolvem com um prompt bem construído, sem rotular nada. Teste antes de orçar um projeto de rotulagem.
Sobre a qualidade dos rótulos, veja label; sobre avaliar sem se enganar, validação cruzada.
Fontes
- Pervasive Label Errors in Test Sets — NeurIPS 2021, auditoria dos 10 conjuntos mais usados
- How to avoid machine learning pitfalls — guia metodológico acadêmico
Leitura das fontes em 17/08/2026.