Inteligência de dados

O que cabe dentro do nome

Inteligência de dados é o eixo inteiro: a engenharia que tira o dado do ERP e dos legados, o Data Warehouse onde ele passa a morar, o Business Intelligence que vira painel e a ciência de dados que projeta o que vem adiante. Chamamos assim porque é uma coisa só na prática. Separar BI de Data Science descreve a ferramenta de quem constrói, não o resultado de quem contrata.

O problema não é o painel

Quase todo projeto de BI que falha falha antes do painel. O dado sai do ERP em tabela normalizada, passa por uma planilha que alguém mantém há seis anos, ganha uma regra de negócio que só uma pessoa conhece e chega ao dashboard sem rastro de onde veio. Quando dois relatórios divergem, não há como auditar qual está certo.

Nossa entrega começa na camada de baixo: de onde o dado vem, como ele é transformado, quem pode vê-lo e como provar que o número está correto.

Engenharia de dados

Ingestão. Extração de ERP TOTVS (Protheus, RM), bancos legados, APIs de parceiros, planilhas e arquivos. Para o transacional, usamos captura de mudanças (CDC) e janelas de carga que não competem com a operação. Ninguém sente o BI rodando.

Arquitetura. Modelagem dimensional clássica quando o consumo é analítico e estável, arquitetura em camadas (bruto, tratado, consumo) quando há volume e variedade, e histórico auditável quando o negócio precisa reconstruir o passado. A escolha vem do caso, não de modismo.

Transformação. ELT com SQL versionado em Git, testes automáticos de qualidade (completude, unicidade, integridade, atualidade) e linhagem. Dá para apontar qualquer número do painel até a linha de origem no ERP.

Orquestração. Pipelines agendados e monitorados, com alerta quando a carga falha ou chega fora do horário. Você descobre que o dado não atualizou antes da reunião, não durante.

Governança

Catálogo e dicionário de dados, definição única de indicador (a camada semântica), controle de acesso por papel, classificação de dado pessoal e sensível, mascaramento e trilha de auditoria. É o que transforma “temos dados” em “podemos responder por eles”.

Business Intelligence

Painéis construídos sobre a camada de consumo, não sobre extração direta. Indicador com definição documentada, autoatendimento para as áreas dentro de um modelo governado, e desenho pensado para decisão: menos gráfico decorativo, mais pergunta respondida.

Data Science

Quando o histórico já é confiável, ele passa a prever. Previsão de demanda e de ruptura de estoque, risco de inadimplência e evasão, manutenção preditiva, otimização de preço e de rota. Entregamos o modelo em produção com monitoramento de desvio. Modelo que fica no notebook do cientista de dados não gera resultado.

Independência de fornecedor

Não revendemos licença e não temos meta de plataforma. Isso muda a conversa: a recomendação de arquitetura considera o que você já paga, o tamanho do seu time e a capacidade de sustentar a solução depois que saímos. Em vários projetos a resposta certa foi usar melhor o que o cliente já tinha.