| name | data-analyze |
| description | Responde perguntas sobre dados do workspace — de consultas rápidas a análises completas e relatórios formais. Use quando precisar buscar uma métrica específica (ex: MRR no Stripe, instâncias ativas no Licensing), investigar o que está causando uma variação de tendência, comparar segmentos ao longo do tempo, ou preparar um relatório de dados para stakeholders. Fontes disponíveis: Stripe (`int-stripe`), Omie (`int-omie`), Licensing (`int-licensing`), Evo CRM (`int-evo-crm`), Linear (`int-linear-review`). |
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:
- Usar a skill correspondente para buscar os dados
- Se necessitar de SQL direto (PostgreSQL), escrever e executar a query
- Se o resultado parecer inesperado, executar verificações de sanidade antes de prosseguir
- Se a query falhar, depurar e tentar novamente (verificar nomes de colunas, referências de tabelas, sintaxe PostgreSQL)
Se os dados precisarem ser fornecidos manualmente:
- 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
- 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
