Para empresas com dado espalhado entre ERP, CRM e planilhas
Consultoria de dados para empresas: BI, dashboards e IA
Para a empresa em que cada relatório dá um número diferente e alguém passa a semana montando planilha. A Waxi integra as fontes que você já tem, escreve a definição de cada métrica, monta os painéis que a diretoria usa e automatiza os relatórios, com a base pronta para receber IA depois.
Dicionário de métricas · Waxi
O mesmo número para todo mundo
Distribuidora fictícia · painel de inadimplência
- InadimplênciaVencido há mais de 5 dias sobre a carteira ativaFinanceirouma definição e um dono
- Cliente ativoAo menos uma compra faturada no períodoComercial
- VendaPedido faturado, na data da notaComercial
Cada métrica com definição, fórmula, fonte e dono.
- Para quem
- Empresas com dado espalhado entre ERP, CRM e planilhas, relatório montado à mão toda semana, ou um projeto de IA travado porque a base não sustenta.
- Como começa
- Diagnóstico das fontes e dos relatórios que a empresa já usa, a partir de uma conversa sobre as perguntas que a diretoria precisa responder.
- Prazo
- Primeiras entregas em semanas, fonte por fonte e painel por painel. O prazo total é fechado no fim do diagnóstico, pelo número de fontes e pelo estado de cada uma.
- Entregável
- Fontes integradas, modelo de dados, dicionário de métricas, dashboards e relatórios automáticos, e regras de governança escritas.
O que faz uma consultoria de dados
Uma consultoria de dados organiza a informação que a empresa já produz para que um número do negócio saia rápido, igual para todo mundo e sem depender de uma pessoa específica. O trabalho começa nas fontes (ERP, CRM, sistema de cobrança, planilhas, e-commerce), passa por juntar essas fontes num lugar só com a mesma definição para cada métrica, e termina em painéis e relatórios que alguém usa para decidir.
O problema que ela resolve raramente é falta de dado. Em muitas empresas com alguns anos de operação, o dado existe, só que espalhado: o faturamento está no ERP, o cliente está no CRM com outro código, a meta está numa planilha do comercial e a inadimplência numa exportação que o financeiro ajusta à mão. Cada área tira o próprio número, e a reunião de resultado vira uma discussão sobre qual número está certo.
Na Waxi, a consultoria de dados tem seis frentes de trabalho. Nem todo projeto passa por todas: o diagnóstico diz quais entram e em que ordem.
Levantamos onde cada informação vive, quem mexe nela, com que frequência é atualizada e quais relatórios a empresa já monta. Não é raro aparecerem duas ou três versões do mesmo relatório, feitas por áreas diferentes, com números diferentes.
Conectamos as fontes a um repositório central, com carga automática no intervalo que o negócio precisa. Pipeline é o nome da rotina que busca o dado na origem, arruma o formato e grava no destino sem ninguém exportar planilha.
Organizamos o dado em torno do que o negócio acompanha: clientes, produtos, pedidos, cobranças. Cada métrica ganha definição escrita, fórmula, fonte e dono, e cada tabela ganha regra de quem pode ver o quê.
Montamos os painéis a partir das decisões que eles precisam apoiar, não a partir dos gráficos que a ferramenta oferece. BI (business intelligence) é o conjunto de ferramentas e rotinas que transforma o dado organizado em painéis e análises.
O relatório semanal ou mensal que alguém monta à mão passa a sair sozinho, no horário combinado, para quem precisa ler. Onde faz sentido, a IA escreve o resumo e aponta o que saiu do padrão.
Preparamos a base para que um agente de IA consiga ler, consultar e confiar no que encontra: fontes integradas, campos com significado claro, histórico consistente e dado pessoal tratado conforme a LGPD.
- Do caos ao insight: como organizar os dados da empresa para tomar decisões
- Glossário de IA e dados para líderes: BI, data warehouse, data lake e governança em linguagem simples
Sinais de que a empresa precisa de uma consultoria de dados
A empresa precisa de uma consultoria de dados quando o custo de chegar a um número passa a ser maior que o valor da decisão que ele apoia. Os sinais abaixo ajudam diretores financeiros, de operações e comerciais a reconhecer o problema. Dois ou três deles juntos costumam indicar que o problema é de base, e não de ferramenta.
- A reunião de resultado começa com a pergunta "de onde saiu esse número?", porque o comercial e o financeiro trouxeram valores diferentes para o mesmo mês.
- O fechamento do mês depende de uma pessoa que exporta relatórios de três sistemas, cola numa planilha e ajusta à mão. Quando ela sai de férias, o relatório atrasa.
- Um número simples, como faturamento por cliente ou margem por produto, leva horas ou dias para sair, e ninguém pede mais de uma vez por mês porque sabe o trabalho que dá.
- A empresa comprou uma ferramenta de BI, mas os painéis estão desatualizados ou ninguém abre, e as decisões continuam saindo da planilha de alguém.
- O mesmo cliente aparece com nomes e códigos diferentes no ERP, no CRM e no sistema de cobrança, e cruzar as três bases é um projeto a cada vez.
- Um projeto de IA empacou porque o agente precisava de dado que não existe de forma utilizável, ou os primeiros resultados vieram errados e ninguém confiou.
- A diretoria descobre um problema, como a queda de um cliente grande ou o aumento da inadimplência, semanas depois de ele começar, quando o relatório do mês chega.
- Por que a IA sozinha não resolve: o papel da cultura de dados antes da tecnologia
Seus dados estão prontos para IA? Um checklist
Dados prontos para IA são dados que um agente consegue encontrar, entender e usar sem que uma pessoa precise conferir antes. No AI Score, o diagnóstico grátis da Waxi, a fundação de dados pesa 35% da nota, mais que qualquer outra das cinco dimensões, e quando a nota geral fica em 40 de 100 ou menos a recomendação é organizar a base antes do primeiro agente. O motivo é simples: se cada relatório dá um número diferente, a IA herda essa confusão e erra com confiança.
O checklist abaixo traduz as perguntas de dados do AI Score em critérios que você consegue verificar sozinho, em uma tarde, sobre o processo em que pensa usar IA. Cada item é um sim ou não. Não precisa marcar todos para começar: o que ficar em "não" vira o escopo da consultoria de dados antes ou junto do piloto.
- Faça o AI Score: dois minutos, grátis, com a nota da sua fundação de dados e a próxima etapa recomendada
- Como montar uma fundação de dados do zero: centralização, modelagem e governança passo a passo
Critérios derivados das perguntas da dimensão "Fundação de dados" do AI Score (onde vive a informação, como sai um número, se ele é confiável), mais as perguntas sobre dependência de pessoas e sobre quem cuida dos dados.
Como funciona a consultoria de dados, etapa por etapa
A consultoria de dados da Waxi segue seis etapas, e a ordem existe para que cada entrega apareça cedo. Em vez de passar meses construindo uma plataforma e só no fim mostrar o primeiro painel, a integração avança fonte por fonte e cada fonte integrada já alimenta um painel ou um relatório que alguém usa. Assim o projeto entrega valor em partes e você consegue parar, ajustar ou mudar a ordem com o que já aprendeu.
O prazo total é definido no fim do diagnóstico, e não antes, porque depende de coisas que só aparecem olhando: quantas fontes entram, se cada sistema tem API ou só exportação, quanto do dado precisa de limpeza e quantas definições de métrica estão em disputa entre áreas. O plano sai com prazo por fonte e por painel, para você acompanhar entrega a entrega.
Etapa 1 · Início do projeto
Diagnóstico das fontes e das perguntas
Conversamos com quem decide e com quem monta os relatórios hoje. Listamos as perguntas que a diretoria precisa responder, as fontes que respondem cada uma e o estado de cada fonte.
- Entregável
- Inventário das fontes, relatórios em uso, perguntas priorizadas e plano com prazo por fonte e por painel
Etapa 2 · Antes do primeiro painel
Definição das métricas
Escrevemos com as áreas a definição de cada métrica que entra no primeiro painel. Recomendamos fazer isso antes de construir, porque resolve de uma vez a discussão sobre qual número está certo.
- Entregável
- Dicionário de métricas: definição, fórmula, fonte e dono de cada uma
Etapa 3 · Fonte por fonte, na ordem do plano
Integração das fontes
Conectamos as fontes ao repositório central na ordem do plano, começando pela que responde a pergunta mais urgente. Cada carga ganha checagens automáticas de volume, duplicidade e atraso.
- Entregável
- Fontes carregando sozinhas, com alerta quando uma carga falha
Etapa 4 · Junto com cada fonte integrada
Modelagem e governança
Organizamos o dado integrado num modelo que as pessoas entendem (clientes, pedidos, cobranças, produtos) e escrevemos as regras de acesso, os donos e o registro de mudanças.
- Entregável
- Modelo de dados documentado e regras de governança escritas
Etapa 5 · Painel por painel, logo depois das fontes que ele usa
Painéis e relatórios automáticos
Cada painel nasce com a decisão que apoia, o dono e a frequência de leitura. Os relatórios recorrentes passam a sair sozinhos, com resumo em texto quando isso ajuda quem lê.
- Entregável
- Dashboards em uso e relatórios enviados no horário combinado
Etapa 6 · Depois das primeiras entregas, por escolha sua
Passagem ou evolução contínua
Você escolhe: o seu time assume, com a documentação e a capacitação de quem vai manter, ou a Waxi segue cuidando das cargas, das novas fontes e dos novos painéis junto com vocês.
- Entregável
- Documentação e time capacitado, ou evolução mensal combinada
- A metodologia da Waxi: onde a fundação de dados entra, do diagnóstico à operação contínua
BI e dashboards que alguém usa
Um dashboard útil responde a uma pergunta de uma pessoa que precisa decidir alguma coisa com frequência. Muito painel abandonado nasceu ao contrário: alguém ligou a ferramenta de BI nas fontes, montou todos os gráficos possíveis e esperou que as pessoas descobrissem o que fazer com eles. Quando ninguém descobre, a decisão volta para a planilha.
Por isso recomendamos que nenhum painel comece sem uma ficha de quatro linhas: a métrica, o dono, a frequência de leitura e a decisão que ele apoia. Se não dá para preencher a última linha, o painel não deveria existir. A tabela mostra uma ficha preenchida, com dados de exemplo fictício, para um painel de inadimplência.
| Campo | O que responde | Exemplo fictício |
|---|---|---|
| Métrica | O que responde: Qual número o painel mostra e com qual definição | Exemplo fictício: Valor vencido há mais de 5 dias sobre a carteira ativa, por cliente e por forma de pagamento |
| Dono | O que responde: Quem responde pelo número e cobra quando ele está errado | Exemplo fictício: Gerente financeiro |
| Frequência | O que responde: De quanto em quanto tempo alguém olha | Exemplo fictício: Todo dia útil, às 9h, antes da rodada de cobrança |
| Decisão | O que responde: O que muda quando o número muda | Exemplo fictício: Quais clientes a cobrança liga hoje e quais recebem só lembrete automático |
| Alerta | O que responde: Quando o painel avisa em vez de esperar alguém abrir | Exemplo fictício: Cliente da carteira principal com fatura vencida há mais de 10 dias |
- Poucos painéis, bem usados: começamos pelo painel da pergunta mais cara da empresa, e o segundo só entra quando o primeiro está em uso.
- Ferramenta de BI é escolha do diagnóstico, não ponto de partida. Se a empresa já paga uma e o time sabe usar, recomendamos partir dela; o que dá trabalho de verdade é a base por baixo, e ela não depende da ferramenta de visualização.
- Número com definição à mostra: cada indicador do painel leva a definição do dicionário de métricas, para que ninguém precise perguntar como foi calculado.
- Alerta vale mais que gráfico bonito: quando o número sai do padrão, o painel avisa quem decide, em vez de esperar que alguém abra.
- Analytics preditivo: prever vendas, churn e produtividade depois que a base está pronta
Automação de relatórios com dados e IA
A automação de relatórios tira da mão de alguém o trabalho de exportar, colar, ajustar e enviar o mesmo relatório toda semana. Depois que as fontes estão integradas e as métricas definidas, o relatório vira uma consulta que roda sozinha no horário combinado e chega por e-mail, num canal da equipe ou num painel, sempre com a mesma definição. A pessoa que passava a segunda-feira montando planilha passa a usar esse tempo lendo o número e agindo sobre ele.
A IA entra numa parte específica desse trabalho, e é importante separar o que ela faz bem do que ela não deve fazer. A regra que recomendamos é simples: o número vem do banco de dados, calculado por uma consulta que qualquer pessoa pode auditar; a IA escreve sobre o número, nunca o calcula.
- Onde a IA entra: escrever o resumo em texto do relatório ("a receita subiu, puxada por dois clientes da região Sul"), apontar o que saiu do padrão em relação às semanas anteriores e sugerir a explicação provável com os dados que a sustentam.
- Onde a IA entra também: responder perguntas de acompanhamento sobre o relatório, como "quais clientes explicam a queda?", consultando a base já organizada e mostrando de onde tirou cada número.
- Onde a IA não entra: calcular o número que vai para a diretoria, decidir sozinha uma ação com efeito financeiro, ou receber dado pessoal que o relatório não precisa para cumprir a finalidade.
- Onde uma pessoa continua: validar a explicação antes de ela virar decisão. A IA sugere a causa provável; quem conhece o negócio confirma ou descarta.
- Relatórios inteligentes com IA: como estruturar dados e prompts para relatórios que se explicam
- Desenvolvimento de agentes de IA: quando o relatório vira um agente que acompanha os números por você
Consultoria, time de dados interno ou só uma ferramenta de BI
Consultoria de dados, time de dados interno e ferramenta de BI sozinha resolvem momentos diferentes, e nenhum é certo por natureza. A ferramenta resolve a visualização, mas não integra fontes nem define métricas. O time interno resolve tudo isso de forma permanente, mas custa a folha inteira antes do primeiro painel. A consultoria resolve a base de uma vez, com prazo, e deixa a manutenção com quem você escolher.
Para ter ordem de grandeza do time interno: pela estimativa do nosso comparativo entre consultoria e equipe interna, a dupla mínima de dados (alguém que arruma e conecta os dados, alguém que modela e analisa) custa entre R$ 460 mil e R$ 550 mil por ano com encargos, como faixa de mercado a partir de salários do CAGED. A tabela compara os quatro caminhos pelo que decide na prática.
| Caminho | Quando faz sentido | Onde para | Quem mantém |
|---|---|---|---|
| Quando faz sentido: As fontes já estão integradas, as métricas já têm definição e falta só visualizar | Onde para: Quando o dado chega espalhado e sem definição: a ferramenta mostra o mesmo número errado, só que mais bonito | Quem mantém: O seu time, com o suporte do fornecedor da ferramenta | |
| Quando faz sentido: Poucas fontes, poucos relatórios e uma pessoa com tempo e método para manter | Onde para: Quando o fechamento depende dessa pessoa e cada nova pergunta vira dias de trabalho | Quem mantém: A pessoa que monta, enquanto ela estiver na função | |
| Quando faz sentido: Várias fontes que não conversam, relatórios feitos à mão e ninguém técnico em casa para liderar a organização | Onde para: Quando dados viram rotina diária de várias áreas e compensa ter gente dedicada dentro da empresa | Quem mantém: O seu time depois da passagem, ou a Waxi em evolução contínua, por escolha sua | |
| Quando faz sentido: Dado é parte central do produto ou da operação, a demanda é contínua e já existe alguém para liderar | Onde para: Leva meses para contratar e o primeiro resultado depende de organizar a base do mesmo jeito | Quem mantém: O próprio time, que precisa cobrir engenharia, análise e governança |
- Consultoria ou equipe interna: a conta completa dos dois caminhos, com salários do CAGED
O que aprendemos em analytics de recorrência
O método da Waxi para dados vem, em boa parte, de analytics de receita recorrente: o trabalho de medir assinaturas, cobranças e cancelamentos, que Daniel Silvestre, CEO e Fundador da Waxi, liderou na Vindi. Receita recorrente é um bom professor porque não perdoa definição frouxa. Se ninguém escreveu o que é cliente ativo, o número de clientes muda conforme quem tira o relatório, e toda a conta de crescimento e de churn (a taxa de clientes ou de receita que se perde por período) muda junto.
Receita recorrente não é exclusividade de software por assinatura. Contrato de manutenção, mensalidade de serviço, recompra mensal de insumo, renovação anual de apólice: é qualquer receita em que o cliente continua escolhendo você. As lições abaixo valem para esses negócios também, e são as que recomendamos em projetos de dados de qualquer setor.
- Comece pela pergunta de negócio, não pela ferramenta. Projeto de dados que dá certo nasce de uma pergunta que alguém precisa responder toda semana; a tecnologia é escolhida depois, pelo tamanho da pergunta.
- Escreva a definição antes de construir o painel. Um cancelamento conta na data do pedido ou no fim do período já pago? Um cliente com fatura atrasada ainda é ativo? Cada resposta muda o número, e a discussão precisa acontecer uma vez, por escrito, e não a cada reunião.
- Separe o cliente que decidiu sair do cliente que saiu porque a cobrança falhou. O primeiro é um problema de produto ou de relacionamento; o segundo, de cartão recusado, boleto não pago ou cadastro desatualizado, é um problema de cobrança que tem outra solução. Misturar os dois esconde o que dá para resolver rápido.
- Olhe por safra, não só pela média do mês. A média mistura o cliente de três anos com o de três semanas. Acompanhar cada grupo pelo mês de entrada (a análise de coorte) mostra se os clientes novos ficam mais ou menos que os antigos, o que a média nunca mostra.
- Amarre as fontes pelo evento mais confiável. Em recorrência, é o evento de cobrança: tem data, valor, cliente e status. Recomendamos usar o evento mais confiável do seu negócio (pedido faturado, nota emitida, pagamento recebido) como a espinha que liga as outras fontes.
- Troque o relatório do mês pelo alerta do dia. Churn e inadimplência raramente são súbitos; avisam em sinais espalhados, como uso caindo, fatura atrasando, reclamação subindo. Um alerta que junta esses sinais chega antes do relatório mensal.
- Agentes de IA no sucesso do cliente: retenção, churn e as métricas do lado da receita recorrente
Dados pessoais e LGPD num projeto de dados
Todo projeto de dados que junta cliente, cobrança e atendimento trata dado pessoal, e a LGPD (Lei 13.709/2018) vale para ele do primeiro dia. Para a lei, dado pessoal é a informação relacionada a pessoa natural identificada ou identificável, o que inclui nome, CPF, e-mail e telefone do contato de um cliente empresarial. Três princípios do artigo 6º guiam as decisões de um projeto de dados: finalidade (usar para propósitos específicos e informados), necessidade (limitar ao mínimo necessário) e segurança (proteger contra acesso não autorizado, perda ou vazamento).
Na prática, recomendamos traduzir esses princípios em regras escritas do projeto:
- Mapa do dado pessoal: quais campos de cada fonte são dados pessoais e para que cada um é usado. Campo sem finalidade não entra no repositório central.
- Painel sem dado pessoal quando a decisão não precisa dele: a diretoria que acompanha inadimplência por região não precisa ver o CPF de ninguém.
- Anonimização onde der: pelo artigo 12 da LGPD, dado anonimizado de forma que não possa ser revertido com esforço razoável deixa de ser dado pessoal, e análises de tendência raramente precisam saber quem é quem.
- Acesso mínimo e registrado: cada pessoa e cada integração acessa só o que precisa, com credencial própria e revogável, em contas da sua empresa.
- Lei 13.709/2018 (LGPD), texto oficial no Planalto: artigos 5º, 6º e 12, conferidos em 28/09/2026
- Zero Data Retention e LGPD: o que perguntar antes de mandar dado para um modelo de IA
O que faz uma consultoria de dados?
Organiza a informação que a empresa já tem para que os números do negócio saiam rápido, iguais para todo mundo e sem depender de uma pessoa. Na prática: diagnóstico das fontes, integração e pipelines, definição das métricas, modelagem e governança, BI e dashboards, automação de relatórios e preparação da base para IA.
Quanto custa uma consultoria de dados?
Depende do número de fontes, de cada sistema ter API ou só exportação, de quanto dado precisa de limpeza e de quantos painéis e relatórios entram; o valor sai no fim do diagnóstico, com o plano. Para comparar caminhos, a dupla mínima de um time de dados interno custa de R$ 460 mil a R$ 550 mil por ano, como faixa de mercado do nosso comparativo com equipe interna.
Quanto tempo leva um projeto de dados?
As primeiras entregas aparecem em semanas, porque a integração avança fonte por fonte e cada fonte já alimenta um painel. O prazo total é fechado no fim do diagnóstico, com prazo por fonte e por painel, porque depende de quantas fontes entram, do estado de cada uma e de quantas definições de métrica estão em disputa.
Qual a diferença entre consultoria de dados e consultoria de BI?
BI é uma parte da consultoria de dados: a camada de painéis e análises. A consultoria de dados cuida também do que vem antes, que é integrar as fontes, definir as métricas, modelar e governar o dado. Quando a base está pronta, BI é rápido; quando não está, o painel só mostra o mesmo número errado com gráfico melhor.
Preciso de um data warehouse?
Nem sempre. Data warehouse é um banco de dados organizado para análise, que junta as fontes num modelo só. Para muitas empresas, um banco de dados simples bem modelado resolve por anos; o warehouse em nuvem entra quando o volume, o número de fontes ou o número de usuários pedem. O diagnóstico recomenda o menor repositório que atende as perguntas.
Vocês trabalham com a ferramenta de BI que já temos?
Recomendamos partir dela quando a empresa já paga e o time sabe usar. A ferramenta de visualização é a parte mais fácil de trocar; o trabalho que decide o resultado é a base por baixo (fontes integradas, métricas definidas, modelo de dados), e ela não depende da ferramenta escolhida.
Como garantir a qualidade dos dados?
Com três coisas combinadas: checagens automáticas em cada carga (volume esperado, registros duplicados, valores fora do padrão, atraso), um dono por fonte que responde quando algo chega errado e um alerta que avisa esse dono antes que o número errado chegue ao painel. Qualidade não é uma limpeza feita uma vez; é uma rotina.
O que é governança de dados na prática?
São as regras escritas de quem define, quem mantém e quem acessa cada dado. Na prática: o dicionário de métricas com definição e dono de cada uma, as regras de acesso por área e por pessoa, o registro de mudanças quando uma definição muda e o mapa do dado pessoal para a LGPD. Cabe em poucas páginas e evita a maior parte das brigas sobre números.
Meus dados precisam estar prontos antes de usar IA?
Os dados do processo em que a IA vai trabalhar, sim; os da empresa inteira, não. O checklist desta página e o AI Score mostram onde você está. Quando a nota do AI Score fica em 40 de 100 ou menos, a recomendação é organizar a base antes do primeiro agente; acima disso, muitas vezes dá para ajustar a base junto com o piloto.
Como fica a LGPD num projeto de dados?
A LGPD vale do primeiro dia, porque juntar cliente, cobrança e atendimento é tratar dado pessoal. Recomendamos mapear os campos pessoais e a finalidade de cada um, tirar dado pessoal dos painéis que não precisam dele, anonimizar onde der e restringir o acesso a quem precisa, com credenciais em contas da sua empresa.
Vocês treinam o meu time?
Pode entrar no escopo, e a metodologia da Waxi prevê capacitação em todas as etapas. Na passagem, quem vai manter as cargas e os painéis recebe a documentação e o treinamento sobre o que foi construído. Para formar a equipe além do projeto, a capacitação em inteligência artificial monta turmas sobre os processos e os dados reais da empresa.
Continue lendo
Conte quais números a sua diretoria não consegue tirar hoje
Na primeira conversa, olhamos as fontes que você já tem, os relatórios que alguém monta à mão e as perguntas que ficam sem resposta. Você sai sabendo o que dá para resolver com o que já paga, o que pede integração e por onde começar.
Marcar a conversa