O custo invisível do cadastro podre na operação capilar

Distribuidora regional, 28 mil PDVs ativos no cadastro. Comercial diz: "nossa cobertura é de 28 mil". Marketing usa esse número pra ROI. Operação roda rota com base nesse cadastro. Cobrança manda boleto pra esse cadastro.

Auditoria amostral de 500 PDVs revela: 12% do endereço está errado ou desatualizado, 6% do CNPJ foi desativado/recadastrado, 8% mudou de bandeira ou dono, 4% fechou mas ninguém deu baixa. Aplicando esses percentuais, 30% do cadastro tem algum problema material.

Ninguém da empresa atribui custo ao cadastro. O custo aparece em outros lugares: motoboy que volta sem entregar, cobrança que vai pro endereço errado, comercial que perde tempo visitando loja fechada, marketing que rastreia ROI errado. Esse é o custo invisível do cadastro podre.

Por que cadastro de PDV apodrece

Cadastro de operação capilar começa preciso, mas envelhece sozinho. Cinco vetores de degradação:

1. PDV muda de endereço. Loja vai pra outra esquina. Mantém razão social, muda CEP, número. Cadastro fica no antigo.

2. PDV troca de dono/bandeira. Mercadinho do João vira mini Carrefour Express. CNPJ pode mudar, contato muda, política de pagamento muda. Cadastro permanece como "Mercadinho do João".

3. PDV fecha. Especialmente PDV pequeno (botequim, sacolão). Cadastro fica com bandeira "ativa" porque ninguém deu baixa formalmente.

4. PDV reabre com nova razão. "Bar do Zé" virou "Boteco do Zé Filho". CNPJ novo, mesma esquina. Cadastro fica duplicado: a versão antiga "ativa" + nova "ativa".

5. Promotor cadastra novo sem checar duplicidade. Vendedor chega na rua, cadastra cliente novo. Não cruza com cadastro existente. Duplicação em massa.

Cada um desses eventos é normal na vida do PDV. O cadastro não tem mecanismo de detecção desses eventos.

Onde o custo aparece (sem ser atribuído ao cadastro)

1. Logística. Motorista vai endereço errado. Volta. Em rota de 30 PDVs, 3-5 são "endereço problema". Hora extra silenciosa, combustível extra, devolução não entregue.

2. Cobrança. Boleto vai pro endereço antigo. Cliente não recebe, não paga, inadimplência sobe. Equipe de cobrança gasta tempo localizando.

3. Comercial. Vendedor visita loja fechada. Dia perdido. Pior: vendedor descobre na rua e não atualiza o cadastro porque "não é o trabalho dele".

4. Marketing. Campanha territorial baseada em cadastro errado. ROI calculado contra base que não existe mais.

5. Compliance/fiscal. NFE emitida pra CNPJ desativado vira problema fiscal. SPED rejeita.

6. Tomada de decisão estratégica. "Vamos abrir 2.000 novos PDVs ano que vem" — baseado em cobertura atual de 28k, mas a real é 19-20k. Plano sai com premissa furada.

Cada um desses tem dono próprio na empresa. Ninguém tem dono do cadastro como ativo. Cadastro é "responsabilidade de todo mundo", o que significa "de ninguém".

Por que é difícil resolver

Cadastro de PDV é problema clássico de data quality em escala. Soluções tradicionais falham por motivos previsíveis:

1. Validação humana não escala. 28k PDVs revalidados por humano = milhares de horas. Inviável.

2. Validação por contato (ligar pro PDV). PDV pequeno não atende, número do contato é o do filho que mudou, secretária não sabe. Taxa de retorno é abaixo de 40%.

3. Cruzamento com Receita Federal. Valida CNPJ ativo/inativo. Não valida endereço atual, não captura mudança de bandeira, não detecta duplicidade.

4. Cruzamento com Google Maps. Valida endereço formal, não a realidade da loja. Pode dizer que "Rua X, 234" existe sem saber que a loja que estava lá fechou.

Cada fonte sozinha resolve parte. Nenhuma resolve sozinha.

Por que isso é resolvível em 2026

A virada é simples mas só ficou viável em 2026: cruzar múltiplas fontes automaticamente com confiança quantificada.

• Google Maps + OpenStreetMap dão geocoding e validação de endereço
• Receita Federal valida CNPJ
• Street View dá evidência visual do PDV (existe? que bandeira está na fachada?)
• IA vision compara: o que está cadastrado bate com o que a foto mostra?

Pra cada PDV, gera-se um score de confiança por campo. Onde todas as fontes concordam, atualização automática. Onde divergem, flag pra revisão humana com evidência consolidada.

Resultado: humano revisa 5-15% do cadastro (os divergentes) em vez de 100%. Cadastro vira ativo limpo num prazo factível.

O que NÃO resolve

• Limpar cadastro com IA pura. LLM alucina endereço plausível em 15-25% dos casos. Em data quality crítica, é desastre.
• Comprar planilha de cadastro externo. Vendedor de base de PDV não tem cobertura igual à sua operação capilar. Cobertura geográfica regional, não nacional.
• Promotor revisando manualmente em rota. Já tentou. Não dá. Promotor não atualiza cadastro — atualiza pedido.

O que resolve é cruzamento multi-fonte automatizado + validação humana só nos casos divergentes.

Quando vale priorizar

Sinais de que o cadastro podre está pesando:

• Motoboy reclama de endereço errado regularmente
• Cobrança gera muito retorno
• Cadastro acima de 10k PDVs
• ROI de marketing não fecha com vendas
• Comercial reclama de visita a loja fechada
• Auditoria contábil pergunta sobre divergência de razão social

Quando 2+ presentes, vale tratar cadastro como ativo gerenciado, não como tabela passiva.

Próximo passo

Cruzamento multi-fonte (Maps + OSM + Receita + Street View + visão) com score de confiança por campo é o caminho honesto pra limpar cadastro de PDV em escala sem pagar o preço da IA pura. A FELGOR Vision implementa esse fluxo. Se quiser ver aplicado no contexto da sua operação capilar, agende um diagnóstico de 30 minutos com os fundadores.