Você recebe a base, abre o Claude, sobe a planilha e digita: "analise esses dados e me traga os principais insights". Em poucos segundos aparece uma resposta linda. Gráficos, conclusões, recomendações, tudo escrito com uma convicção impressionante. Você respira aliviado.
E é exatamente aí que mora o problema.
Porque toda informação que você não forneceu, a IA preencheu por conta própria. A técnica que ela escolheu, você não pediu. O significado de cada variável, ela adivinhou. O objetivo do projeto, ela definiu sozinha. E ela fala tudo isso com a mesma segurança, esteja certa ou errada. O resultado parece ótimo. Só que você não tem a menor ideia de como validar aquilo.
Nessa live eu quis tirar um pouco do hype e mostrar o jeito certo de usar IA para análise de dados. Certo aqui quer dizer com método, com segurança e com você no controle o tempo todo. Não é subir uma planilha e transferir a responsabilidade. A responsabilidade da análise é sua. Nunca da IA.
A IA vai substituir o analista de dados?
Teve uma época em que eu recebia muita mensagem de aluno preocupado com isso. Vou te responder com franqueza. Se o seu trabalho como analista de dados é só montar dashboard e criar gráfico, sim, isso a IA já faz. Você sobe a base, pede um gráfico de cada variável e ela entrega.
Mas o diferencial de um bom analista não é apertar botão. É resolver um problema completo. Entender o negócio, escolher a técnica adequada ao contexto, validar se o número faz sentido, transformar o resultado numa decisão. Construir o dashboard é só uma parte pequena disso. E é justamente a parte que a IA assume.
Então a conta vira ao contrário do que o medo sugere. Quem domina fundamento, método e técnica não é substituído pela IA. É promovido por ela. Deixa eu te mostrar na prática o que eu quero dizer.
Como estruturar a planilha antes de pedir qualquer coisa à IA
O erro mais comum é começar pelo prompt. O certo é começar pela organização. Eu proponho montar a planilha em quatro abas antes de acionar a IA. A lógica é a mesma de um movimento que cresce no mundo do desenvolvimento, o spec driven development: em vez de pedir "cria um sistema" e ir corrigindo no chute, você primeiro escreve uma especificação detalhada do que precisa ser feito, e só depois passa para a IA executar. Com dados funciona igual.
1. Método
É o coração de tudo. Aqui você descreve o passo a passo da análise, do entendimento do negócio até a apresentação executiva. Na Preditiva a gente usa o CRISP-DM, mas o que importa é ter um método. Quanto mais detalhe, melhor. Se você quer uma tabela de frequência para variável categórica e um histograma para variável numérica, escreva isso. Porque tudo que você deixar em aberto, ela decide por você.
2. Contexto
Qual é o problema de negócio, o que a empresa quer responder, quais hipóteses o pessoal do comercial já levanta. Esse contexto restringe o escopo da IA e faz ela alucinar menos.
3. Metadados
O que significa cada variável. "Data da compra" é data do pedido ou da aprovação? É dia/mês/ano ou mês/dia/ano como nos Estados Unidos? Parece detalhe bobo, mas é o tipo de coisa que ela vai supor errado e você vai perder tempo corrigindo depois.
4. Base de dados
Só a quarta aba tem os dados. Com uma regra que não se negocia: nada que identifique uma pessoa. Sem nome, sem e-mail, sem CPF, sem telefone. Para a maioria das análises esses campos nem fazem falta, e sem eles o risco de vazamento cai muito. Nunca use uma IA pessoal com dados sensíveis da empresa.
Repare que a inteligência do projeto não está na IA generativa. Está em você, que organizou o método, o contexto e os metadados. É isso que ela vai ler e seguir.
O projeto real: 1.000 atendimentos por dia e um time que não pode crescer
O caso que a gente resolveu ao vivo era de uma operadora de telefonia móvel num mercado super competitivo. Ela recebe todo dia um monte de leads interessados em fazer upgrade do plano. O time comercial dá conta de atender 1.000 pessoas por dia, e não pode simplesmente contratar mais gente, porque aumentar o time aumenta a despesa e derruba o lucro.
O jeito que eles faziam era o pior possível: atendimento aleatório. Chegou o interessado, joga pro time. Você enche a capacidade rapidinho e gasta tempo precioso com quem nunca ia comprar.
A base tinha o ID do cliente, o nível de interesse declarado no upgrade (nenhum, baixo, médio ou alto), a idade, e a variável resposta: comprou ou não comprou o pós-pago. Cinco mil registros, taxa de conversão geral de 41,7%.
Quando você lê o contexto e olha os metadados, você já conecta a técnica antes de escrever qualquer prompt. Variável resposta binária, comprou ou não comprou, e o objetivo é ranquear quem tem mais chance de comprar. Foi o que os próprios alunos responderam no chat: Information Value. IV.
Aí sim a gente aciona o Claude, pelo suplemento oficial da Anthropic dentro do Excel. Escolhi o Sonnet, um modelo intermediário que resolve muita coisa do dia a dia sem estourar a cota de tokens. E o primeiro prompt foi quase decepcionante de tão simples: "leia a aba método e execute conforme as instruções, validando cada etapa antes de seguir para a próxima". Nada de prompt gigante. O método já estava na planilha.
Por que validar cada etapa é não negociável
Na etapa de entendimento do negócio ela leu contexto e metadados e levantou as perguntas certas sozinha: quais características do lead se associam à maior chance de compra, se o interesse declarado é um bom preditor, se a idade influencia, quantas vendas a mais a priorização geraria. Nenhuma dessas perguntas estava escrita assim na planilha. Ela deduziu do contexto. É contribuição de verdade.
Mas na etapa seguinte ela tentou calcular tudo em Python. E aí eu parei. Se ela roda em Python e crava o número na célula, como é que você audita? Você não vê a conta. Por isso o método pedia fórmulas e tabelas dinâmicas. Tive que lembrar ela disso. Depois de corrigir, dava pra abrir cada célula, ver o CONT.SE e conferir de onde vinha cada valor.
E olha que interessante: ao refazer com fórmula, ela mesma percebeu que estava somando "alto" e "Alto" como grupos diferentes, porque o Excel não diferencia maiúscula de minúscula. Ela achou a duplicidade e corrigiu sozinha. Esse tipo de autovalidação é o que vai ficando melhor nos modelos. Mas repare no fio da meada: ela só tratou isso porque eu montei o método pedindo auditoria. O que você não especifica, ela decide, e nem sempre decide bem. Os erros de digitação da variável interesse, os 291 registros em branco, as seis idades negativas, tudo isso ela encontrou. E teria tratado de um jeito diferente amanhã, na sua mão, se você não deixasse instrução clara.
O número que a empresa quer ouvir
Chega o momento da verdade. IV do interesse em upgrade: 0,30, poder preditivo forte. IV da idade: 0,01, fraco. Traduzindo, o interesse separa muito bem quem compra de quem não compra. A idade não separa quase nada.
E quando a gente olha a taxa de conversão por faixa de interesse, faz todo sentido de negócio:
- Interesse nenhum: 28% de conversão
- Interesse baixo: 38%
- Interesse médio: 49%
- Interesse alto: 68%
Alguém que declarou interesse alto converte 68%. Alguém que não declarou nada, 28%. A idade, entre uma faixa e outra, ficou toda ela entre 39% e 45%. Não justifica priorizar por ali.
Agora a conta que muda a conversa. No cenário aleatório de hoje, 1.000 atendimentos com 41,7% de conversão dão 417 vendas por dia. No cenário priorizado, você atende primeiro os 717 leads de interesse alto (68%) e completa com 283 de interesse médio (49%), chegando a 625 vendas por dia. Com um ticket médio de R$20 por upgrade, isso é um ganho de R$4.162 por dia. Cerca de R$91 mil por mês. Mais de R$1,1 milhão por ano.
Sem contratar ninguém. Sem mudar o produto. Só reordenando a fila de atendimento com os dados que já existiam. Esse é o número que ancora a decisão, o que o diretor quer ouvir na reunião. Não a lista de técnicas que você usou. O resultado.
O que muda no seu trabalho a partir de hoje
Durante a live um aluno mandou uma frase no chat que resume tudo: "acabamos de ser promovidos de analista de dados para supervisor de análise de dados". É exatamente isso. A IA vira o profissional que acabou de chegar na área e precisa de alguém que saiba o método para ensinar o que fazer. Esse alguém é você. Você dá a instrução, valida, corrige, melhora. Ela executa rápido, encontra erros internos e guarda o histórico, porque cada prompt continua o anterior em vez de recomeçar do zero.
E aí some o mistério. Não precisa aprender só Claude, só Gemini, só a ferramenta da moda dessa semana. Amanhã sai outra e você troca sem dor, porque o que você sabe continua valendo. Ferramentas mudam toda semana. Fundamento, método e técnica não.
Com grandes poderes vêm grandes responsabilidades. Se você vai fazer análise mais rápido, valide sempre o que está sendo feito. Entregar rápido e errado pode custar muito mais caro do que ter feito com calma.
A ferramenta muda. O que você sabe sobre análise de dados, não.
.png)
.png){kind=small}