GenBI / Business Intelligence
O dashboard mostrou que as vendas caíram. E agora?
Imagine uma diretora comercial olhando para o dashboard no início do mês e percebendo que as vendas caíram 12% em relação ao período anterior. O dashboard cumpriu seu papel: tornou o desvio visível. A partir desse momento, porém, começa um trabalho diferente. A diretora precisa entender o que aconteceu, onde a mudança está concentrada, quais hipóteses merecem ser investigadas e que evidências são necessárias antes de decidir o que fazer.
Essa distinção entre monitorar uma situação e investigar uma situação é importante para entender onde GenBI pode agregar valor.
Durante muitos anos, o Business Intelligence foi construído principalmente para responder perguntas conhecidas. A organização define os indicadores que precisa acompanhar, estrutura seus dados, estabelece métricas e dimensões e cria relatórios e dashboards para acompanhar o negócio. Esse modelo continua sendo fundamental. Se a necessidade é acompanhar diariamente faturamento, margem, estoque ou conversão, um dashboard bem construído pode ser exatamente a solução necessária.
A dificuldade aparece quando o negócio apresenta um comportamento inesperado e a pergunta ainda não está estruturada.
Uma queda de 12% nas vendas não é, por si só, uma explicação. É um sinal que precisa ser investigado. A investigação pode começar perguntando se a queda está concentrada em alguma região. A resposta pode levar à análise de produtos. Essa análise pode revelar que determinados clientes representam grande parte da redução. Em seguida, pode ser necessário entender quando a mudança começou, comparar volume e preço, verificar alterações no mix ou observar outros eventos ocorridos no mesmo período.
A pergunta inicial, portanto, nem sempre é a pergunta que encerra a análise. A investigação evolui conforme as evidências aparecem.
É justamente nesse processo que aparece uma oportunidade relevante para GenBI.
O problema começa antes da pergunta
Existe um risco em imaginar que uma ferramenta de GenBI começa simplesmente quando alguém escreve uma pergunta em linguagem natural.
Uma investigação de negócio precisa começar pela definição da situação.
"Vendas caíram 12%" ainda é uma afirmação incompleta. Precisamos saber qual período está sendo analisado, qual comparação está sendo utilizada, qual métrica representa "vendas", quais transações estão incluídas e se existe algum contexto relevante para aquela comparação.
Essa etapa é importante porque uma análise pode ser tecnicamente correta e ainda assim responder à pergunta errada.
Essa preocupação não é nova. Metodologias amplamente utilizadas em analytics, como o CRISP-DM, começam pelo entendimento do negócio e pelo entendimento dos dados antes das etapas de preparação e modelagem. O processo também é iterativo: resultados encontrados durante a exploração podem levar à revisão das perguntas ou da abordagem.
O framework apresentado neste artigo não pretende reproduzir o CRISP-DM nem substituí-lo. É uma adaptação prática de alguns desses princípios para o contexto de investigação com GenBI.
Um framework para investigação com GenBI
Para uma investigação de negócio, podemos pensar em nove movimentos:
- 01
Definir a situação
O que mudou? Em relação a qual período, métrica ou referência?
- 02
Verificar os dados
Os dados disponíveis são completos, consistentes e adequados para responder à pergunta?
- 03
Localizar o fenômeno
Onde a mudança está concentrada: região, produto, cliente, canal, período ou outra dimensão relevante?
- 04
Decompor o resultado
Quais componentes explicam a maior parte da variação observada?
- 05
Comparar
O comportamento é diferente de períodos anteriores, grupos semelhantes ou outras referências relevantes?
- 06
Formular hipóteses
Quais explicações são compatíveis com as evidências encontradas?
- 07
Testar as hipóteses
Que análise adicional pode fortalecer ou enfraquecer cada hipótese?
- 08
Avaliar a evidência
O que os dados demonstram? O que apenas sugerem? O que ainda não é possível determinar?
- 09
Decidir o próximo passo
Existe evidência suficiente para agir ou é necessária uma investigação adicional?
Vamos colocar o framework em prática
O exemplo abaixo é fictício e foi criado exclusivamente para demonstrar o método de investigação.
Uma empresa identificou uma queda de 12% na receita no segundo trimestre, em comparação com o mesmo período do ano anterior.
A primeira pergunta poderia ser:
"A queda de receita está distribuída entre todas as regiões?"
A análise mostra que duas regiões concentram grande parte da redução.
A investigação avança:
"Quais categorias de produto explicam a queda nessas regiões?"
Agora aparecem três categorias responsáveis pela maior parte da redução.
A próxima pergunta:
"A queda nessas categorias ocorreu porque vendemos menos unidades ou porque o preço médio mudou?"
Essa análise pode separar dois fenômenos diferentes. Uma redução de receita pode acontecer porque a empresa vendeu menos unidades, porque o preço médio diminuiu ou porque houve uma combinação dos dois.
A investigação pode então avançar:
"Quais clientes apresentaram a maior redução de volume nessas categorias?"
Agora existe uma concentração ainda maior do fenômeno.
Em seguida:
"Quando esses clientes começaram a reduzir os pedidos?"
A série temporal pode mostrar que a mudança começou dois meses antes da queda aparecer de forma significativa no indicador consolidado.
Observe o que aconteceu.
Começamos com uma afirmação relativamente ampla: "A receita caiu 12%."
Depois passamos por: região → categoria → volume/preço → cliente → tempo.
Não encontramos necessariamente a causa.
Encontramos algo mais importante para aquele momento: reduzimos o espaço de investigação e produzimos hipóteses mais específicas.
Esse é um ponto central para entender o papel de GenBI.
A investigação não termina quando encontramos uma correlação
Suponha agora que a investigação mostre que esses clientes começaram a reduzir pedidos exatamente depois de um aumento de preços.
Isso é uma informação relevante.
Mas não é suficiente para afirmar que o aumento de preços causou a queda.
Pode existir sazonalidade, mudança no comportamento dos clientes, entrada de um concorrente, alteração no mix, problemas de disponibilidade ou outro fator que tenha ocorrido no mesmo período.
A análise encontrou uma associação temporal.
Essa associação pode gerar uma hipótese:
"O aumento de preços pode estar relacionado à redução dos pedidos."
A hipótese ainda precisa ser investigada.
Podemos comparar clientes semelhantes que não reduziram pedidos, analisar o comportamento antes e depois da mudança de preço ou procurar outras evidências que ajudem a fortalecer ou enfraquecer essa explicação.
Essa distinção é fundamental:
Associação pode gerar uma hipótese. Não necessariamente comprova causalidade.
Onde GenBI entra nesse processo?
GenBI pode participar de praticamente toda a exploração descrita acima, mas seu papel mais interessante está na capacidade de acompanhar a evolução das perguntas.
Em um ambiente tradicional, uma investigação pode exigir que o usuário saiba qual relatório abrir, quais dimensões utilizar, quais filtros aplicar ou quem procurar para realizar uma análise específica.
Com GenBI, parte desse trabalho pode ser conduzida a partir das próprias perguntas de negócio.
A pessoa pode perguntar:
"Quais regiões explicam a queda?"
Depois:
"E dentro dessas regiões?"
Depois:
"Quais clientes?"
Depois:
"Quando começou?"
A interface muda, mas a mudança mais importante não está na interface.
Está no fato de que a investigação pode acompanhar a evolução do raciocínio do usuário.
Isso aproxima o uso dos dados de uma atividade que analistas já realizam há muito tempo: formular uma hipótese, consultar os dados, observar o resultado e decidir qual pergunta fazer em seguida.
GenBI não inventa esse processo.
Ele pode tornar esse processo mais acessível e, em determinados contextos, mais rápido.
A resposta precisa ser rastreável
Quanto mais liberdade damos para uma IA explorar os dados, mais importante se torna saber de onde veio a resposta.
Uma investigação empresarial precisa responder perguntas como:
| Controle | Pergunta |
|---|---|
| Semântica | O que exatamente significa "vendas" nesta análise? |
| Dados | Quais fontes e períodos foram utilizados? |
| Acesso | O usuário tinha autorização para consultar aqueles dados? |
| Execução | Qual consulta foi executada para produzir o resultado? |
| Rastreabilidade | É possível reproduzir ou auditar a análise? |
| Validação | O resultado foi comparado com uma fonte de referência? |
Uma resposta de IA pode parecer convincente mesmo quando existe algum problema na interpretação, na consulta ou nos próprios dados.
GenBI, portanto, não deve ser avaliado apenas pela capacidade de gerar respostas.
Também precisamos avaliar a qualidade e a confiabilidade do processo que produz essas respostas.
Nem todo problema precisa de GenBI
Essa abordagem também ajuda a estabelecer quando GenBI não é necessário.
Se a empresa precisa acompanhar diariamente faturamento, margem e volume vendido, um dashboard provavelmente continuará sendo a solução mais simples e eficiente.
Se existe uma pergunta recorrente com uma resposta conhecida, pode ser melhor transformar essa resposta em um indicador, relatório ou dashboard.
GenBI começa a ser particularmente interessante quando existe uma situação inesperada, quando as perguntas evoluem durante a investigação e quando o custo de percorrer manualmente diferentes análises é relevante.
Adotar GenBI não deveria ser um objetivo em si.
O objetivo continua sendo melhorar a capacidade da organização de compreender situações e tomar decisões.
O que muda, então?
A discussão sobre GenBI muitas vezes é apresentada como uma mudança de interface: em vez de clicar em filtros e gráficos, o usuário conversa com a IA.
Isso é parte da mudança, mas não é o ponto principal.
O que pode mudar é a relação entre pergunta, análise e próxima pergunta.
No BI tradicional, muitas análises começam com estruturas previamente definidas: indicadores, dashboards, dimensões e relatórios.
Em uma investigação de um problema inesperado, entretanto, a próxima análise nem sempre pode ser conhecida antecipadamente.
A pergunta muda conforme a evidência aparece.
É nesse espaço que GenBI pode ter uma função diferente: apoiar uma investigação que evolui conforme o entendimento do problema evolui.
O dashboard ajuda a perceber que alguma coisa aconteceu.
A análise ajuda a localizar o fenômeno.
A investigação ajuda a formular e testar hipóteses.
A validação determina o que realmente pode ser concluído.
E a decisão acontece depois disso.
Por isso, talvez seja mais útil pensar GenBI não como "um dashboard que conversa", mas como uma abordagem para aproximar a interação com os dados do processo investigativo do negócio.
Seu valor não está simplesmente em permitir que alguém faça perguntas em linguagem natural.
Está em reduzir, quando os dados, a semântica e a governança permitem, a distância entre perceber uma situação, investigá-la com método e chegar a uma evidência que ajude alguém a decidir o próximo passo.
Referências
CRISP-DM — Cross Industry Standard Process for Data Mining. Referência metodológica utilizada para contextualizar o entendimento do negócio, entendimento dos dados e caráter iterativo do processo analítico.
NIST AI Risk Management Framework (AI RMF 1.0). Referência utilizada para os princípios relacionados à confiabilidade, validade, avaliação e gestão de riscos em sistemas de IA.
