/data-analyze

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`).
argument-hint: "<pergunta em linguagem natural>"

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