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
1---2name: data-analyze3description: data-analyze — Responder Perguntas de Dados4---56# data-analyze — Responder Perguntas de Dados78Responde uma pergunta de dados, desde uma busca rápida até uma análise completa ou relatório formal.910## Uso1112```13/data-analyze <pergunta em linguagem natural>14```1516## Fluxo de Trabalho1718### 1. Entender a Pergunta1920Analisar a pergunta do usuário e determinar:2122- **Nível de complexidade**:23 - **Resposta rápida**: Métrica única, filtro simples, busca factual (ex: "Quantos novos clientes assinaram no mês passado?")24 - **Análise completa**: Exploração multidimensional, análise de tendência, comparação (ex: "O que está causando a queda na taxa de conversão?")25 - **Relatório formal**: Investigação abrangente com metodologia, ressalvas e recomendações (ex: "Prepare uma revisão trimestral das métricas de assinatura")26- **Requisitos de dados**: Quais fontes, métricas, dimensões e intervalos de tempo são necessários27- **Formato de saída**: Número, tabela, gráfico, narrativa ou combinação2829### 2. Coletar Dados3031**Fontes de dados disponíveis no workspace:**3233| Fonte | Skill | O que contém |34|-------|-------|-------------|35| **Stripe** | `int-stripe` | Cobranças, assinaturas, MRR, churn, clientes |36| **Omie** | `int-omie` | ERP — clientes, NF-e, contas a pagar/receber |37| **Licensing** | `int-licensing` | Instâncias Evolution API, versões, geo, telemetria |38| **Evo CRM** | `int-evo-crm` | Agentes, pipelines, conversas, usuários |39| **Linear** | `int-linear-review` | Issues, sprints, projetos, velocity |4041**Se a fonte de dados estiver disponível:**421. Usar a skill correspondente para buscar os dados432. Se necessitar de SQL direto (PostgreSQL), escrever e executar a query443. Se o resultado parecer inesperado, executar verificações de sanidade antes de prosseguir454. Se a query falhar, depurar e tentar novamente (verificar nomes de colunas, referências de tabelas, sintaxe PostgreSQL)4647**Se os dados precisarem ser fornecidos manualmente:**481. Pedir ao usuário que forneça os dados de uma destas formas:49 - Colar resultados de query diretamente50 - Fazer upload de arquivo CSV ou Excel51 - Descrever o schema para que possamos escrever queries para ele executar522. Após os dados serem fornecidos, prosseguir com a análise5354### 3. Analisar5556- Calcular métricas relevantes, agregações e comparações57- Identificar padrões, tendências, outliers e anomalias58- Comparar entre dimensões (períodos, segmentos, categorias)59- Para análises complexas, decompor o problema em sub-questões e abordar cada uma6061### 4. Validar Antes de Apresentar6263Antes de compartilhar resultados, executar verificações de validação:6465- **Sanidade de contagem de linhas**: O número de registros faz sentido?66- **Verificação de nulos**: Existem nulos inesperados que poderiam distorcer resultados?67- **Verificação de magnitude**: Os números estão em um intervalo razoável?68- **Continuidade de tendência**: Séries temporais têm lacunas inesperadas?69- **Lógica de agregação**: Os subtotais somam corretamente aos totais?70- **Cruzamento com fontes conhecidas**: O MRR calculado bate com o painel do Stripe? As instâncias coincidem com o Licensing?7172Se qualquer verificação levantar preocupações, investigar e registrar ressalvas.7374### 5. Apresentar Resultados7576**Para respostas rápidas:**77- Enunciar a resposta diretamente com contexto relevante78- Incluir a query ou chamada de API usada (em bloco de código) para reprodutibilidade7980**Para análises completas:**81- Iniciar com o principal achado ou insight82- Suportar com tabelas de dados e/ou visualizações83- Anotar metodologia e quaisquer ressalvas84- Sugerir perguntas de acompanhamento8586**Para relatórios formais:**87- Sumário executivo com principais conclusões88- Seção de metodologia explicando abordagem e fontes de dados89- Achados detalhados com evidências de suporte90- Ressalvas, limitações e notas de qualidade de dados91- Recomendações e próximos passos sugeridos9293### 6. Visualizar Quando Útil9495Quando um gráfico comunicaria resultados mais efetivamente do que uma tabela:9697- Usar a skill `data-create-viz` para selecionar o tipo de gráfico correto98- Gerar visualização Python ou incorporar em dashboard HTML com tema Evolution99- Seguir boas práticas de visualização para clareza e precisão100101## Exemplos102103**Resposta rápida:**104```105/data-analyze Quantos novos clientes assinaram em março?106```107108**Análise completa:**109```110/data-analyze O que está causando o aumento no volume de instâncias Evolution nos últimos 3 meses? Quebrar por versão e país.111```112113**Relatório formal:**114```115/data-analyze Prepare uma análise de qualidade de dados da tabela de clientes do Evo CRM — completude, consistência e quaisquer problemas que devemos resolver.116```117118## Dicas119120- Seja específico sobre intervalos de tempo, segmentos ou métricas quando possível121- Se souber os nomes das tabelas ou campos da API, mencione-os para acelerar o processo122- Para perguntas complexas, a análise pode ser dividida em múltiplas queries ou chamadas de API123- Os resultados são sempre validados antes da apresentação — se algo parecer errado, será sinalizado124- Sempre especificar o fuso horário BRT (UTC-3) ao analisar datas e timestamps
evolution-foundation