# RiskJud — proveniência da calibração

> Item A4 da auditoria: **de onde vem cada número** que o modelo usa. O
> `data.json` guarda os valores; este arquivo, versionado ao lado, guarda a
> origem e o método. A prosa do `index.html` é injetada do `data.json`
> (atributos `data-dj`) — não digite números lá.

Regra de fronteira do app: **`model.mjs` = fórmula · `data.json` = calibração
e lei · este arquivo = método**. Se um número novo entrar no modelo, ele entra
pelo `data.json` e ganha uma linha aqui.

## Dado medido (`data.json`)

| Campo | Valor (jun/2026) | Origem e método |
|---|---|---|
| `benchmark.valor_medio_causa` / `jurisprudencia.valor_medio` | R$ 11.346,43 | Média dos **675 acórdãos com valor** (de 1.968 acórdãos de LGPD coletados via JurisFonte + TJES, 13 UFs). Usada no valor esperado — estatístico correto para probabilidade × magnitude. |
| `jurisprudencia.valor_mediano` | R$ 5.000,00 | Mediana dos mesmos 675 — o caso típico; exibida como contexto, não entra no cálculo. |
| `benchmark.taxa_procedencia` | 0,6967 | Fração dos acórdãos procedentes no agregado nacional. Ajustada em runtime pelo regime de dano (juízo, ver abaixo). |
| `jurisprudencia.por_uf` | 13 UFs | Contagem/média/mediana por tribunal de origem dos acórdãos. Concentração SP/RS reflete parte cobertura de indexação, parte volume real. |
| `fonte.datajud_processos` / `datajud_por_ano` | 4.878 / ~813 | Processos classificados como proteção de dados no **DataJud/CNJ**, 34 tribunais, 2020–2025; média anual do período. |
| `fonte.calibracao_erro` | 8,6% | Erro entre as **ações/ano previstas** pelo modelo (parâmetros default, agregado nacional) e o volume DataJud. Valida o volume nacional, **não** o R$ por empresa. |

## Lei e referência de mercado (`data.json`)

| Campo | Valor | Origem |
|---|---|---|
| `anpd.multa_pct` / `anpd.multa_max` | 2% / R$ 50M | **Art. 52 da LGPD** — teto por infração. É lei, não estimativa; muda por lei, edita-se aqui. |
| `ibm_codb.brasil` / `por_setor` | R$ 7,19M · saúde 11,43M · finanças/seguros 8,92M | **IBM Cost of a Data Breach 2025** (Brasil). Custo TOTAL de incidente — métrica diferente da indenização; referência de mercado, não se soma às camadas. |

## Juízo editorial (constantes em `model.mjs`, disclosed na UI)

Estes multiplicadores **não têm base amostral própria** — são premissas
editoriais ajustáveis; a UI os declara em "Medido vs. juízo":

- `PORTE_BREACH_BASE` (12–40%/ano) e `DATA_TYPE_BREACH_MULT` — propensão a vazamento por porte/tipo de dado; é a premissa que mais move a magnitude.
- `MATURITY_REDUCTION` e as curvas de `investmentEffectiveness` — âncoras: R$ 1/usuário ≈ −15%/−10%, R$ 10/usuário ≈ −54%/−40% (curva saturante, sem degraus).
- `BREACH_SCENARIOS` (1% / 5% / 15% dos usuários afetados).
- `SETOR_DANO_MULT` — **financeiro 1,26× (n=42)** e **varejo 1,55× (n=27)** têm amostra (subconjunto dos acórdãos); os demais setores usam 1,0 neutro por falta de base (`SETOR_N`).
- `PROCEDENCIA_FATOR` (presumido 1,12 / misto 1,0 / comprovar 0,85) — doutrina STJ: dano presumido *in re ipsa* para dado sensível; fator sobre a taxa-base medida, não taxa por tipo.
- `P_SUE_PERCAPITA` (+ teto de 5%) — fração dos afetados que litiga, ancorada no volume nacional (~813 ações/ano vs. milhões de expostos).
- `ANPD_P_FINE` (0,5–2%) — P(multa | vazamento) recalibrada à fiscalização real (pouquíssimas multas até 2025); `ANPD_GRAVIDADE` por tipo de dado.
- Fator 1,2 de responsabilidade solidária — Art. 42 da LGPD.

## Recalibração

O alvo legal está em movimento (STJ e ANPD, 2023–2025). Para recalibrar:

1. Re-rodar a coleta (DataJud/CNJ + JurisFonte/TJES) e atualizar `data.json`
   (benchmark, jurisprudencia, fonte) e `_meta.coleta`/`periodo`/`versao`.
2. Atualizar a referência IBM anual (`ibm_codb`) e, se a lei mudar, `anpd`.
3. Rodar `node --test` — o caso-âncora quebra se o benchmark mudar
   (atualizá-lo é parte da recalibração consciente).
4. Atualizar a `meta description` do `index.html` (única duplicação estática,
   marcada com comentário) e este arquivo.