Antes de analisar: usando IA para achar a pergunta certa nos dados

Existe um desperdício silencioso em quase todo time que trabalha com dados: análises tecnicamente corretas que ninguém usa. A query estava certa, o gráfico estava bonito, o número estava exato — e a apresentação terminou com um "interessante" educado e nenhuma decisão.

Quase sempre a causa é a mesma: a análise respondeu bem a uma pergunta que não importava. E essa etapa — decidir o que perguntar — é onde a IA ajuda muito e quase ninguém a usa, porque todo mundo a chama depois, na hora de escrever o SQL.

O sintoma: a pergunta que já vem com resposta embutida

Boa parte dos pedidos de análise chega assim: "me traz a taxa de conversão por canal". É uma pergunta legítima, mas repare no que ela pressupõe: que o problema é de canal, que conversão é a métrica certa, e que a comparação entre canais vai apontar uma ação.

Se qualquer um desses pressupostos estiver errado, a análise é perfeita e inútil. O número sai, todo mundo olha, e a pergunta que ficou de fora — "por que quem vem do canal bom também cancela mais rápido?" — nunca foi feita.

Análise não usada raramente é análise errada. É análise que respondeu a pergunta que alguém já sabia formular — e por isso não trouxe nada novo.

1. Peça para a IA questionar o pedido, não executá-lo

Antes de escrever qualquer query, cole o pedido e peça: "que suposições esta pergunta já assume como verdadeiras? o que ela deixa de fora? se a resposta vier alta ou baixa, que decisão muda em cada caso?"

A última parte é a mais reveladora. Se nenhuma decisão muda com o resultado, a análise não precisa ser feita. Esse teste sozinho elimina uma boa fatia da fila — e o tempo economizado vai para a pergunta que de fato importa.

Quando aplico isso, o padrão que aparece é sempre o mesmo: o pedido original era um sintoma, e a pergunta útil estava uma camada abaixo.

2. Use a IA para gerar as hipóteses concorrentes

Você observou uma queda de 12% nas vendas do mês. A tentação é ir direto investigar a explicação que já está na sua cabeça. O problema é conhecido: você acha o dado que confirma o que já pensava, porque foi exatamente isso que procurou.

Peça: "liste 12 explicações possíveis para esta queda, incluindo as chatas e as que não têm nada a ver com o produto. Para cada uma, qual dado confirmaria ou descartaria?"

A lista vem com o que você pensou e mais um punhado que não pensou: sazonalidade, mudança na definição da métrica, um feriado a mais no mês, um bug no rastreamento, um cliente grande que saiu e distorce o total, mudança no mix de produto. E o mais valioso: cada hipótese vem com o teste que a descarta — o que transforma um palpite numa fila de verificação objetiva.

A hipótese que mais aparece nessa lista e que mais gente esquece: "o dado mudou, não o negócio". Alguém alterou o evento, o filtro do painel, a regra de atribuição. Vale sempre ser a primeira a ser descartada, porque é barata de checar e explica um susto em cinco minutos.

3. Traduza métrica em comportamento antes de medir

"Engajamento caiu" não é um fato — é um rótulo. Peça à IA para desdobrar: "que comportamentos concretos de usuário poderiam estar por trás de uma queda de engajamento? liste em termos observáveis."

Vem coisa como: menos sessões por usuário, sessões mais curtas, mesma quantidade de gente fazendo menos ações, ou a mesma atividade concentrada em menos gente. São causas totalmente diferentes com o mesmo rótulo — e a ação que cada uma pede não tem nada em comum. Descobrir isso antes de montar o painel evita construir a medição errada.

4. Faça o pré-mortem do resultado

Antes de rodar a análise, escreva o que você espera encontrar e peça: "suponha que o resultado saia exatamente como eu previ. Que explicação alternativa também produziria esse mesmo resultado?"

Essa pergunta é o antídoto mais barato contra viés de confirmação. Ela força você a listar, antes de ver o número, o que precisaria ser descartado para a sua conclusão se sustentar. É muito mais fácil ser honesto antes do resultado do que depois — depois, você já se apegou.

5. Peça a versão para o leitor, não para o analista

Depois da análise pronta, o último passo: "você é a pessoa que precisa decidir com base nisso e tem cinco minutos. O que aqui não importa? o que falta para você decidir?"

O retorno costuma doer um pouco e ser exatamente o que faltava: metade dos gráficos é contexto que interessa a quem fez, não a quem decide. E quase sempre falta uma coisa só — a recomendação. Análise que termina em número deixa o trabalho pela metade; quem pediu queria saber o que fazer.

O que continua sendo trabalho seu

A IA não sabe o que a sua empresa decidiu no trimestre passado, qual cliente está em risco de sair, que a queda de maio já tem explicação conhecida ou que o time de vendas mudou a abordagem em abril. Esse contexto é o que separa a pergunta genérica da pergunta certa — e ele mora nas pessoas, não nos dados.

O que ela faz bem é ampliar o espaço de hipóteses e expor o pressuposto. Você continua escolhendo o que investigar; ela só garante que a escolha seja feita entre doze opções e não entre as duas que já estavam na sua cabeça.

Um fluxo curto para usar amanhã

1. Escreva o pedido como ele chegou.
2. Pergunte quais suposições ele carrega e que decisão muda com a resposta. Se nenhuma muda, devolva o pedido.
3. Gere 10 a 15 hipóteses concorrentes, com o teste de cada uma.
4. Descarte primeiro as baratas — especialmente "o dado mudou".
5. Só então escreva a query.
6. Feche com recomendação, não com número.

São quinze minutos antes de começar. Eles costumam economizar o dia inteiro que você gastaria respondendo com precisão a uma pergunta que ninguém precisava fazer.