data-analyze — Responder Perguntas de Dados

Responde uma pergunta de dados, desde uma busca rápida até uma análise completa ou relatório formal.

Uso

/data-analyze <pergunta em linguagem natural>

Fluxo de Trabalho

1. Entender a Pergunta

Analisar a pergunta do usuário e determinar:

• Nível de complexidade:
  • Resposta rápida: Métrica única, filtro simples, busca factual (ex: "Quantos novos clientes assinaram no mês passado?")
  • Análise completa: Exploração multidimensional, análise de tendência, comparação (ex: "O que está causando a queda na taxa de conversão?")
  • Relatório formal: Investigação abrangente com metodologia, ressalvas e recomendações (ex: "Prepare uma revisão trimestral das métricas de assinatura")
• Requisitos de dados: Quais fontes, métricas, dimensões e intervalos de tempo são necessários
• Formato de saída: Número, tabela, gráfico, narrativa ou combinação

2. Coletar Dados

Fontes de dados disponíveis no workspace:

Fonte	Skill	O que contém
Stripe	int-stripe	Cobranças, assinaturas, MRR, churn, clientes
Omie	int-omie	ERP — clientes, NF-e, contas a pagar/receber
Licensing	int-licensing	Instâncias Evolution API, versões, geo, telemetria
Evo CRM	int-evo-crm	Agentes, pipelines, conversas, usuários
Linear	int-linear-review	Issues, sprints, projetos, velocity

Se a fonte de dados estiver disponível:

1. Usar a skill correspondente para buscar os dados
2. Se necessitar de SQL direto (PostgreSQL), escrever e executar a query
3. Se o resultado parecer inesperado, executar verificações de sanidade antes de prosseguir
4. Se a query falhar, depurar e tentar novamente (verificar nomes de colunas, referências de tabelas, sintaxe PostgreSQL)

Se os dados precisarem ser fornecidos manualmente:

1. Pedir ao usuário que forneça os dados de uma destas formas:
   • Colar resultados de query diretamente
   • Fazer upload de arquivo CSV ou Excel
   • Descrever o schema para que possamos escrever queries para ele executar
2. Após os dados serem fornecidos, prosseguir com a análise

3. Analisar

• Calcular métricas relevantes, agregações e comparações
• Identificar padrões, tendências, outliers e anomalias
• Comparar entre dimensões (períodos, segmentos, categorias)
• Para análises complexas, decompor o problema em sub-questões e abordar cada uma

4. Validar Antes de Apresentar

Antes de compartilhar resultados, executar verificações de validação:

• Sanidade de contagem de linhas: O número de registros faz sentido?
• Verificação de nulos: Existem nulos inesperados que poderiam distorcer resultados?
• Verificação de magnitude: Os números estão em um intervalo razoável?
• Continuidade de tendência: Séries temporais têm lacunas inesperadas?
• Lógica de agregação: Os subtotais somam corretamente aos totais?
• Cruzamento com fontes conhecidas: O MRR calculado bate com o painel do Stripe? As instâncias coincidem com o Licensing?

Se qualquer verificação levantar preocupações, investigar e registrar ressalvas.

5. Apresentar Resultados

Para respostas rápidas:

• Enunciar a resposta diretamente com contexto relevante
• Incluir a query ou chamada de API usada (em bloco de código) para reprodutibilidade

Para análises completas:

• Iniciar com o principal achado ou insight
• Suportar com tabelas de dados e/ou visualizações
• Anotar metodologia e quaisquer ressalvas
• Sugerir perguntas de acompanhamento

Para relatórios formais:

• Sumário executivo com principais conclusões
• Seção de metodologia explicando abordagem e fontes de dados
• Achados detalhados com evidências de suporte
• Ressalvas, limitações e notas de qualidade de dados
• Recomendações e próximos passos sugeridos

6. Visualizar Quando Útil

Quando um gráfico comunicaria resultados mais efetivamente do que uma tabela:

• Usar a skill data-create-viz para selecionar o tipo de gráfico correto
• Gerar visualização Python ou incorporar em dashboard HTML com tema Evolution
• Seguir boas práticas de visualização para clareza e precisão

Exemplos

Resposta rápida:

/data-analyze Quantos novos clientes assinaram em março?

Análise completa:

/data-analyze O que está causando o aumento no volume de instâncias Evolution nos últimos 3 meses? Quebrar por versão e país.

Relatório formal:

/data-analyze Prepare uma análise de qualidade de dados da tabela de clientes do Evo CRM — completude, consistência e quaisquer problemas que devemos resolver.

Dicas

• Seja específico sobre intervalos de tempo, segmentos ou métricas quando possível
• Se souber os nomes das tabelas ou campos da API, mencione-os para acelerar o processo
• Para perguntas complexas, a análise pode ser dividida em múltiplas queries ou chamadas de API
• Os resultados são sempre validados antes da apresentação — se algo parecer errado, será sinalizado
• Sempre especificar o fuso horário BRT (UTC-3) ao analisar datas e timestamps