Quanto vendemos? A pergunta que parece simples, mas não é

A mesma frase pode carregar perguntas diferentes

Considere novamente a pergunta "quanto vendemos no mês passado?". Para responder, é necessário decidir pelo menos o que será medido, qual período será considerado, quais eventos entrarão na conta e qual data representará a ocorrência da venda.

"Vendas" pode ser valor bruto, valor líquido, quantidade de pedidos, quantidade de itens ou valor recebido. "Mês passado" pode ser o mês do calendário, o período fiscal ou os últimos trinta dias. Uma venda pode ser reconhecida quando o pedido é criado, quando o produto é faturado, quando é entregue ou quando o pagamento é recebido. Devoluções, cancelamentos, bonificações, vendas entre empresas do mesmo grupo e pedidos de teste também podem alterar o resultado.

Não é necessário que uma dessas definições seja universalmente correta. Empresas diferentes podem tomar decisões legítimas e escolher conceitos diferentes. O ponto importante é que a definição precisa ser conhecida no contexto em que a métrica será utilizada.

Uma métrica não é apenas um cálculo. Ela é uma decisão sobre o significado de um fenômeno do negócio, sobre o momento em que esse fenômeno é reconhecido e sobre os eventos que serão incluídos ou excluídos.

Quando a consulta está correta, mas a resposta não serve

Imagine que um sistema receba a pergunta e escolha uma tabela de pedidos. Ele soma o valor de uma coluna, aplica um filtro de data e retorna o total do mês anterior. O SQL é válido. A consulta é executada sem erro. O número está dentro de uma faixa esperada.

Ainda assim, a resposta pode não servir para a decisão. Talvez a diretoria estivesse perguntando pela receita faturada, mas o sistema tenha utilizado pedidos criados. Talvez o valor retornado inclua transações canceladas. Talvez a comparação desejada fosse com o mesmo mês do ano anterior, mas a resposta tenha utilizado o mês imediatamente anterior. Talvez a empresa possua diferentes calendários e a expressão "mês passado" não seja suficiente para determinar o período.

Nesse cenário, dizer apenas que a IA "errou" não ajuda muito. A consulta pode ter respondido corretamente a uma interpretação possível. O problema é que a interpretação escolhida não correspondia à intenção de quem perguntou.

Essa distinção é especialmente relevante no GenBI. Um sistema conversacional torna muito mais fácil fazer perguntas, mas a facilidade de perguntar não garante que o significado esteja claro. Se a ferramenta sempre produzir um resultado, ela pode esconder a existência de uma ambiguidade que deveria ter sido apresentada ao usuário.

O que as pessoas fazem naturalmente

Quando uma pessoa experiente ouve uma pergunta ambígua, costuma fazer uma pergunta de esclarecimento.

"Você quer faturamento ou pedidos?"

"Consideramos devoluções?"

"É pelo calendário fiscal?"

"Estamos falando de todas as regiões?"

Essas perguntas não são obstáculos à análise. Elas fazem parte da própria análise.

O sistema de GenBI precisa ser capaz de desempenhar papel semelhante em situações relevantes. Isso não significa transformar toda interação em um formulário longo. Significa reconhecer quando existem interpretações materialmente diferentes e quando escolher uma delas sem confirmação pode alterar a decisão.

Essa resposta pode parecer menos impressionante do que um número apresentado imediatamente, mas é mais útil quando a diferença entre as opções é significativa.

A capacidade de pedir esclarecimento é um componente de qualidade. Um sistema confiável não é aquele que evita toda fricção. É aquele que introduz a fricção certa quando ela reduz o risco de uma interpretação equivocada.

O papel das definições de negócio

Para que o GenBI possa interpretar perguntas com mais consistência, a organização precisa tornar explícitas as definições que considera importantes. Isso envolve registrar o significado da métrica, sua fórmula, os eventos incluídos, as exceções, o período temporal, o nível de detalhe e a área responsável pela definição.

Também é importante informar como o conceito de negócio se relaciona com os dados. Uma definição como "receita líquida faturada" precisa apontar para a medida adequada, indicar quais filtros fazem parte do cálculo e esclarecer em que nível a medida pode ser agregada. Caso contrário, pode existir uma descrição compreensível para uma pessoa, mas nenhuma regra suficiente para que o sistema aplique o conceito de maneira consistente.

Essa conexão entre linguagem do negócio e estrutura dos dados é uma das funções associadas a uma camada semântica. Ela não precisa ser entendida apenas como um glossário. O objetivo é permitir que nomes, definições, métricas, dimensões, relacionamentos e regras de uso estejam conectados ao processo analítico.

Uma camada semântica também não deve ser tratada como uma solução mágica. Ela não decide sozinha qual definição a empresa deve adotar. Se duas áreas usam "cliente ativo" com significados diferentes, a organização ainda precisa decidir se terá um conceito oficial, dois conceitos explicitamente nomeados ou uma forma de apresentar os dois contextos. A tecnologia pode registrar e aplicar a decisão, mas não pode substituir a decisão de negócio.

Por que isso importa mais no GenBI

Em um ambiente tradicional, o número de relatórios e usuários pode limitar a quantidade de interpretações diferentes. O dashboard foi construído para determinados indicadores, e o analista que o criou incorporou várias decisões no próprio modelo, nos filtros e nas fórmulas.

No GenBI, o usuário pode formular perguntas que não estavam previstas quando o relatório foi criado. O sistema pode combinar dimensões, períodos e métricas em novas configurações. A escala e a liberdade da interação aumentam o valor potencial da ferramenta, mas também ampliam a quantidade de situações em que uma definição implícita pode ser interpretada de modo diferente.

Por isso, preparar dados para GenBI não é apenas permitir que a IA leia tabelas. É preparar o ambiente para que conceitos importantes possam ser interpretados, aplicados e explicados de forma consistente.

Essa preparação envolve dados de qualidade, metadados, regras de acesso, definições de negócio, relacionamentos conhecidos e mecanismos de validação. O peso de cada elemento dependerá do caso de uso. Uma pergunta exploratória de baixo risco pode tolerar mais flexibilidade. Uma análise utilizada para decisões financeiras, comerciais ou regulatórias exige controles mais rigorosos.

Uma pergunta antes da próxima pergunta

Antes de perguntar "a IA consegue responder?", talvez seja útil perguntar "o que exatamente esperamos que a resposta represente?". Essa mudança de perspectiva aproxima os profissionais de negócio e os profissionais técnicos.

Para o negócio, ela ajuda a perceber que uma métrica não é apenas um número disponível em uma tabela. Para a área técnica, mostra que qualidade de consulta não pode ser avaliada somente pela execução sem erro. Para quem trabalha com IA, reforça que contexto não é apenas uma instrução adicional no prompt. Em muitos casos, contexto é uma decisão organizacional que precisa ser registrada e aplicada.

O GenBI pode reduzir a distância entre uma pergunta e uma análise. Porém, não deve transformar uma pergunta vaga em uma decisão aparentemente precisa sem tornar a incerteza visível.

A confiança não começa quando o número aparece na tela. Ela começa quando a organização consegue responder, de forma clara, o que aquele número significa.

Continue a conversa na GenBI Community BR

A construção de um GenBI confiável envolve perguntas que atravessam diferentes áreas. O negócio precisa definir o significado das métricas. Os profissionais de dados precisam estruturar fontes e relacionamentos. A engenharia precisa garantir qualidade, segurança e disponibilidade. A área de IA precisa trabalhar com contexto e mecanismos de validação.

A GenBI Community BR foi criada para aproximar essas perspectivas e discutir como dados, BI, IA e negócio podem trabalhar juntos. Se você já enfrentou diferentes respostas para a mesma pergunta, participe da comunidade e compartilhe sua experiência.

Conheça a comunidade em genbi.com.br.