IA para análise de dados: por onde começar na empresa

IA para análise de dados é o uso de modelos de inteligência artificial para perguntar em português à base da empresa, prever o que vem pela frente, achar o número que fugiu do padrão e resumir o que aconteceu, sem que alguém precise montar planilha ou esperar relatório. Ela funciona por cima de uma base organizada e depende dela para responder certo. Este guia explica o que a IA muda de fato na análise de uma empresa de 50 a 500 pessoas, o que continua igual, a ordem certa para começar e o que precisa estar pronto antes de ligar o primeiro assistente.

Os pontos-chave:

• A IA muda quatro coisas na análise: quem pergunta (qualquer pessoa, em português), o alcance da previsão, a velocidade para achar anomalia e o esforço de resumir.
• Dado ruim continua ruim. Modelo de linguagem sobre cadastro duplicado responde rápido e errado, com fluência.
• A regra do indicador continua sendo decisão humana. O que é "venda", "margem" e "cliente ativo" ninguém delega à máquina.
• A ordem importa: base única, indicador com regra escrita, previsão, e só então a IA por cima.
• A IA não substitui o analista, mas muda o trabalho dele: menos exportar planilha, mais definir regra, validar resposta e explicar contexto.
• A empresa média começa pelo pré-requisito, e a ferramenta vem depois: cadastro, tratamento e governança são a parte que dá trabalho.

O que a IA muda de fato na análise de dados de uma empresa?

Boa parte da conversa sobre IA em análise de dados descreve o que uma ferramenta de BI já fazia: gráfico, filtro, relatório automático. O que muda de verdade cabe em quatro verbos.

Perguntar em português para a base. A diretora quer saber quanto vendeu a linha de inverno em Santa Catarina no último trimestre, por canal. Hoje isso é um chamado para o analista, que exporta do ERP, cruza na planilha e devolve em dois dias. Com um assistente ligado à base, a pergunta é digitada e a resposta vem com a tabela de origem e a hora da última atualização.

Prever. Modelos estatísticos e de aprendizado de máquina leem o histórico de vendas, a sazonalidade e o calendário e projetam o próximo mês por produto e por loja. Isso já existia, mas era trabalho de especialista; o que a IA muda é o custo de manter a previsão rodando toda semana, para centenas de itens, sem alguém refazendo à mão. Como esses modelos funcionam e onde erram está em análise preditiva.

Achar anomalia. Uma campanha que parou de converter às 15h, um produto vendendo com margem negativa desde que o frete mudou, um cliente grande que não compra há 60 dias. Ninguém abre painel para descobrir isso. O modelo compara cada número com o padrão esperado e avisa quem precisa agir.

Resumir. O fechamento de segunda-feira com vendas, margem e exceções destacadas, escrito em texto, chegando antes da reunião. É a tarefa em que os modelos de linguagem são melhores e em que o ganho aparece mais cedo.

A adoção cresce depressa. O AI Index 2025, da Stanford HAI, mostra que 78% das organizações ouvidas usavam IA em 2024, contra 55% em 2023. No Brasil a curva é mais baixa: a pesquisa TIC Empresas 2025, do Cetic.br, registra 17% das empresas usando IA em 2025, ante 13% no ano anterior, com 50% entre as grandes e 15% entre as pequenas. A empresa média brasileira está no começo, e isso tem um lado bom: dá para começar pela ordem certa.

O que a IA não muda na análise de dados?

Duas coisas continuam exatamente como eram antes da IA, e são as duas que mais derrubam projeto.

Dado ruim continua ruim. Um modelo de linguagem não sabe que "CAMISETA BASICA P" e "Camiseta Básica P" são o mesmo produto, que a filial de Joinville lança devolução como venda negativa e que o custo do item não é atualizado desde o reajuste. Ele soma o que encontra e responde com confiança. A escala do problema é conhecida: um estudo publicado na Harvard Business Review mediu registros recém-criados em empresas de vários setores e encontrou pelo menos um erro crítico em 47% deles; só 3% das avaliações ficaram em nível aceitável, pelo critério mais frouxo. Em vez de corrigir, a IA amplifica o erro. O trabalho de limpar antes está em tratamento de dados.

A regra do indicador continua sendo decisão humana. "Venda" é pedido aprovado ou nota emitida? "Margem" desconta comissão de marketplace? "Cliente ativo" comprou nos últimos 90 ou 180 dias? Nenhum modelo decide isso, e quando ninguém decidiu, cada área usa uma definição e a IA repete a bagunça em velocidade maior. Quem define é o dono do negócio, com o financeiro e o comercial na mesma sala, e a definição fica escrita.

Análise tradicional e análise com IA: qual pergunta cada uma responde?

A comparação útil é por pergunta, e a análise tradicional (planilha, ferramenta de BI, relatório do ERP) continua sendo a resposta certa para várias delas.

A linha que mais importa é a última: a IA responde melhor exatamente na proporção em que as regras já estão escritas.

Descritiva, preditiva e prescritiva: onde a IA entra em cada uma?

Os três tipos de análise costumam aparecer como uma escada de maturidade. A leitura mais útil é outra: são três perguntas diferentes sobre o mesmo dado, e a IA entra em cada uma de um jeito.

• Descritiva responde "o que aconteceu". Vendas, margem, ruptura, inadimplência por período. É o território do painel de BI, e a IA entra aqui como tradutora: a pessoa pergunta em português e recebe a consulta certa, sem saber SQL e sem esperar o analista.
• Preditiva responde "o que deve acontecer". Demanda do próximo mês, cliente com risco de sair, pedido com chance de atraso. Aqui a IA entra como motor: são modelos que aprendem o padrão do histórico e projetam.
• Prescritiva responde "o que fazer". Quanto comprar de cada item, que preço praticar, para qual cliente ligar hoje. A IA sugere; a decisão continua com a pessoa, porque a regra de negócio (margem mínima, prazo de fornecedor, política comercial) é dela.

Para a empresa média, a preditiva é o degrau em que o ganho aparece com mais clareza, e a previsão de demanda é o caso mais comum. As diferenças entre os três tipos, com exemplo por área, estão em análise descritiva, preditiva e prescritiva.

O que precisa estar pronto antes de ligar a IA?

O que vemos em cliente é que a parte demorada de um projeto de IA para análise de dados quase nunca está na IA. O tempo vai para o que vem antes, em três frentes.

Cadastro. Produto, cliente, fornecedor e vendedor com um código só, atributos preenchidos (categoria, coleção, tamanho, cor, custo) e regra para criar item novo. Cadastro duplicado é o erro que mais estraga análise, porque a soma sai errada em silêncio e a IA repete o número errado com a mesma fluência do certo. O detalhe está em cadastro de produtos.

Tratamento. Datas em formato único, moeda sem texto no meio, devolução separada de venda, o histórico do ERP antigo conciliado com o novo. É trabalho sem glamour, e sem ele nenhum modelo funciona.

Governança. No sentido concreto: quem define cada indicador, quem vê o quê, quem é avisado quando uma fonte para de atualizar. Uma página de dicionário de indicadores, permissão por área e um dono da base resolvem a maior parte. Governança de dados mostra como fazer isso sem virar comitê.

Uma observação franca: uma empresa de 80 pessoas com ERP, loja virtual e três planilhas de controle costuma ter as três frentes pela metade. Isso muda o ponto de partida, e as três frentes se pagam sozinhas, com ou sem IA.

Qual é a ordem certa para começar?

A ordem é a mesma em todo projeto que dá certo, e invertê-la é a razão mais comum de assistente abandonado depois de um mês.

1. Base única. ERP, loja, CRM, mídia e planilhas de controle lidos de origem e reunidos numa central de dados, com o histórico conciliado. Enquanto a venda estiver em três lugares com três números, qualquer camada de cima repete a divergência.
2. Indicador com regra escrita. Para cada número que a diretoria acompanha, uma linha no dicionário: nome, definição, fonte, dono. Vale para venda, margem, ticket, ruptura, inadimplência. Isso se resolve numa reunião, sem tecnologia nova.
3. Previsão. Com histórico limpo e regra escrita, o primeiro modelo preditivo faz sentido. Na indústria e no varejo é quase sempre a demanda por produto, e o erro do modelo precisa ser medido contra o que aconteceu, mês a mês. Os métodos e os erros mais comuns estão em previsão de demanda.
4. IA por cima. Só agora o assistente que responde em português, os alertas de anomalia e o resumo semanal. Ele lê a base única, obedece à regra escrita e cita a previsão. Quando o dado não existe, diz que não sabe.

O erro mais caro é começar pelo passo 4, porque ele é o mais visível. O assistente responde bonito na demonstração, alguém confere o primeiro número contra o ERP, não bate, e ninguém mais usa.

Quais perguntas cada área faz primeiro?

A forma mais rápida de saber se a empresa está pronta é listar as perguntas que hoje viram chamado e conferir o que cada uma exige da base.

Se a coluna da direita estiver pronta para duas ou três linhas, a IA já tem onde trabalhar. Se não estiver pronta para nenhuma, o projeto começa pela base, e o assistente entra depois.

A IA substitui o analista de dados?

Não, e a resposta franca tem duas partes.

A primeira: as tarefas que consumiam a maior parte do dia do analista de uma empresa média (exportar, cruzar, montar a mesma planilha toda semana) são as que a IA tira da frente. Vai ser preciso menos gente fazendo isso, e era o pior uso do tempo de quem fazia.

A segunda: o trabalho que sobra é o que sempre foi o mais valioso e o que menos gente fazia. Definir a regra do indicador com a diretoria. Validar a resposta do assistente contra o sistema antes de liberar para a equipe. Explicar por que a previsão errou em abril. Perceber que a pergunta que o comercial fez não era a pergunta que ele precisava responder. Nenhum modelo faz isso, porque exige conhecer o negócio, e o negócio está fora da base.

Na prática, o analista vira o dono da base e o revisor da IA. Na empresa que não tem analista, o papel cabe a alguém da casa com parte do tempo, ou a um parceiro externo que mantém a base. O que faz sentido contratar e o que faz sentido fazer em casa está em consultoria de IA e dados.

Quando falar com a Maze Analytics

Faz sentido conversar conosco quando a empresa tem ERP, loja ou CRM com alguns anos de histórico, as perguntas da diretoria já viram chamado para alguém e a resposta chega depois da decisão. É esse o cenário em que o nosso serviço de IA e agentes de dados faz o que descrevemos acima: um assistente que responde em português consultando a central de dados da empresa, cita a origem de cada número, diz que não sabe quando o dado não existe e respeita a permissão de cada pessoa e de cada área. Ele funciona no assistente que a equipe já usa, por uma conexão padrão de mercado, e vem com alertas que avisam quando algo foge do padrão.

O pré-requisito não muda: IA sobre dados desorganizados produz resposta errada com fluência. Se a base ainda não existe, começamos por ela, no trabalho de dados e integrações, e o diagnóstico desenha as duas coisas juntas.

Não faz sentido quando a empresa ainda vende por um canal só, com poucas dezenas de pedidos por dia, e o relatório do ERP ainda responde ao que a diretoria pergunta. Também não faz sentido quando o que se quer é um chatbot para atender o cliente final, que é outro tipo de projeto.

Perguntas frequentes

O que é IA para análise de dados?

É o uso de modelos de inteligência artificial, entre eles os modelos de linguagem e os modelos preditivos, para consultar a base de dados da empresa em português, prever demanda e comportamento, detectar números fora do padrão e resumir o que aconteceu. Ela funciona por cima de uma base organizada e depende dela para responder certo.

Preciso de uma equipe de dados para usar IA na análise?

Precisa de uma base organizada e de alguém responsável por ela, dentro ou fora da casa. Uma equipe grande não é pré-requisito. O que costuma faltar numa empresa de 50 a 500 pessoas é cadastro único, regra escrita para os indicadores e as fontes reunidas num lugar só, e isso se resolve com um projeto bem delimitado.

A IA pode inventar números na análise?

Pode, quando está ligada direto a sistemas que não conversam entre si ou quando responde de memória. Um assistente bem montado só responde com o que existe na base, cita a tabela e a hora da atualização e diz que não sabe quando o dado não existe. Esse comportamento precisa ser configurado e testado com a equipe antes de liberar o uso.

Por onde uma empresa média começa?

Pela lista de perguntas que hoje viram chamado e pela conferência do que cada uma exige: cadastro, tratamento, regra escrita. Depois, base única, indicadores definidos, primeira previsão e só então o assistente por cima. A ordem invertida, começando pelo assistente, é a causa mais comum de projeto abandonado.